使 DensePose 快速且轻量
计算机视觉与模式识别
2020-07-10 v3 机器学习
摘要
DensePose 估计任务是提升从增强现实到服装试穿等计算机视觉应用用户体验的重要一步。现有能够解决该任务的神经网络模型参数量巨大，远未到可迁移至嵌入式或移动设备的程度。为使当前模型能在终端设备上进行 DensePose 推理，需要支持昂贵的服务器端基础设施并具备稳定的互联网连接。更糟的是，移动与嵌入式设备并非总内置强大 GPU。本工作中，我们致力于重新设计 DensePose R-CNN 模型架构，使最终网络在保持大部分精度的同时变得更轻量、更快速。为此，我们测试并引入了近年来多项深度学习创新，具体包括对 23 种高效骨干网络架构、多种两阶段检测流程修改以及自定义模型量化方法进行的消融研究。结果相较基线模型实现了 模型尺寸缩减与 延迟改善。
引用
@article{arxiv.2006.15190,
title = {Making DensePose fast and light},
author = {Ruslan Rakhimov and Emil Bogomolov and Alexandr Notchenko and Fung Mao and Alexey Artemov and Denis Zorin and Evgeny Burnaev},
journal= {arXiv preprint arXiv:2006.15190},
year = {2020}
}