低内存的基于区域的深度卷积神经网络检测
计算机视觉与模式识别
2018-08-09 v1
摘要
精确的行人检测在汽车安全中起着首要作用：例如，通过向驾驶员发出警告或主动控制汽车刹车，它有助于降低人员受伤和死亡的概率。为了实现极高的准确率，近期的行人检测器多基于卷积神经网络（CNN）。遗憾的是，此类方法需要大量的计算能力和内存，阻碍了其在嵌入式系统上的高效实现。本工作提出了一种基于 CNN 的检测器，将通用卷积网络适配至当前任务。通过对检测流水线的每一步进行深入分析与优化，我们开发出一种架构，其性能优于基于传统图像特征的方法，并在保持低计算复杂度的同时达到了接近 SOTA 的准确率。此外，对该模型进行了压缩，以适应可用嵌入式内存有限的低功耗设备的严格约束。本文做出两项主要贡献：（1）证明了基于区域的深度神经网络可经过精细微调，在行人检测中达到足够的准确率；（2）在 Caltech Pedestrian 数据集上实现了极低的内存占用，且未降低检测准确率。
引用
@article{arxiv.1609.02500,
title = {Reduced Memory Region Based Deep Convolutional Neural Network Detection},
author = {Denis Tome' and Luca Bondi and Emanuele Plebani and Luca Baroffio and Danilo Pau and Stefano Tubaro},
journal= {arXiv preprint arXiv:1609.02500},
year = {2018}
}
备注
IEEE 2016 ICCE-Berlin