基于权重剪枝与奇异值分解的嵌入式设备可扩展目标检测
计算机视觉与模式识别
2023-03-20 v2 人工智能
摘要
本文提出一种通过结合权重剪枝与奇异值分解（SVD）来优化目标检测模型的方法。所提方法在从 https://universe.roboflow.com/roboflow-100/street-work 获取的街道作业图像自定义数据集上进行了评估。该数据集包含 611 张训练图像、175 张验证图像和 87 张测试图像，共 7 个类别。我们在帧率、平均精度均值（mAP@50）和权重大小方面将优化后模型与原始未优化模型的性能进行了比较。结果表明，权重剪枝 + SVD 模型取得了 0.724 的 mAP@50、1.48 FPS 的帧率和 12.1 MB 的权重大小，优于原始模型（0.717 mAP@50、1.50 FPS 和 12.3 MB）。所有模型的精确率-召回率曲线也已绘制。我们的工作表明，所提方法能在平衡准确率、速度和模型大小的同时有效优化目标检测模型。
引用
@article{arxiv.2303.02735,
title = {Scalable Object Detection on Embedded Devices Using Weight Pruning and Singular Value Decomposition},
author = {Dohyun Ham and Jaeyeop Jeong and June-Kyoo Park and Raehyeon Jeong and Seungmin Jeon and Hyeongjun Jeon and Yewon Lim},
journal= {arXiv preprint arXiv:2303.02735},
year = {2023}
}
备注
8 pages, 3 figures. A report of the project done as part of the Yonsei-Roboin project for the 2nd semester, 2022