OCDet：基于边界框感知热图预测的边缘设备目标中心检测
计算机视觉与模式识别
2024-11-26 v1
摘要
实时目标定位是面向诸多应用（从监控到工业自动化）的边缘设备的基本功能。传统框架，如目标检测、分割和关键点检测，在资源受限的环境中常常导致显著的目标遗漏。为解决这些挑战，我们引入 OCDet，一个针对配备 NPU 的边缘设备优化的轻量级目标中心检测框架。OCDet 预测表示对象中心概率的热图，并通过峰值识别提取中心点。不同于使用固定高斯分布的先前方法，我们引入广义中心性 (GC) 用于从边界框标注生成 ground truth 热图，提供更细致的空间细节而无需额外的手动标注。基于 NPU友好型的 Semantic FPN 采用 MobileNetV4 backbone，OCDet 模型通过我们提出的平衡连续焦点损失 (BCFL) 进行训练，该方法缓解了数据不平衡并聚焦于概率回归任务中的硬负例。利用新近提出的 Center Alignment Score (CAS) 结合 Hungarian matching，我们展示 OCDet 在目标中心检测中 consistently 优于 YOLO11，实现最高可达 23% 更高的 CAS，同时仅需 42% 的参数、34% 更少的计算和 64% 更低的 NPU 延迟。当与关键点检测框架进行比较时，OCDet 在相同模型下实现了最高可达 186% 的显著性 CAS 改进。通过集成 GC、BCFL 和 CAS，OCDet 确立了面向配备 NPU 的边缘设备的高效和稳健目标中心检测的新范式。代码已发布于 https://github.com/chen-xin-94/ocdet。
引用
@article{arxiv.2411.15653,
title = {OCDet: Object Center Detection via Bounding Box-Aware Heatmap Prediction on Edge Devices with NPUs},
author = {Chen Xin and Thomas Motz and Andreas Hartel and Enkelejda Kasneci},
journal= {arXiv preprint arXiv:2411.15653},
year = {2024}
}