Pelee:一种面向移动设备的实时目标检测系统
计算机视觉与模式识别
2019-01-21 v3
摘要
在算力和内存资源受限的移动设备上运行卷积神经网络(CNN)模型的需求日益增长,推动了高效模型设计的研究。近年来提出了若干高效架构,例如MobileNet、ShuffleNet和MobileNetV2。然而,这些模型都严重依赖深度可分离卷积,而该操作在大多数深度学习框架中缺乏高效实现。在本研究中,我们提出了一种名为PeleeNet的高效架构,其以常规卷积构建。在ImageNet ILSVRC 2012数据集上,我们提出的PeleeNet在NVIDIA TX2上比MobileNet和MobileNetV2精度更高且速度快逾1.8倍。同时,PeleeNet的模型大小仅为MobileNet的66%。我们随后将PeleeNet与Single Shot MultiBox Detector (SSD)方法结合并优化架构以实现快速,提出了一种实时目标检测系统。我们提出的检测系统2名为Pelee,在iPhone 8上以23.6 FPS、NVIDIA TX2上125 FPS的速度,在PASCAL VOC2007上达到76.4% mAP(平均精度均值)、在MS COCO数据集上达到22.4 mAP。在COCO上的结果优于YOLOv2,且精度更高、计算成本低13.6倍、模型大小小11.3倍。
引用
@article{arxiv.1804.06882,
title = {Pelee: A Real-Time Object Detection System on Mobile Devices},
author = {Robert J. Wang and Xiang Li and Charles X. Ling},
journal= {arXiv preprint arXiv:1804.06882},
year = {2019}
}
备注
Accepted to NeurIPS 2018