面向遥感端侧推理的两阶段检测器简化
计算机视觉与模式识别
2024-04-12 v1
摘要
深度学习已成功应用于遥感图像的目标检测。由于地面系统的计算能力，图像通常在地面而非星上进行处理。这种卸载处理导致获取目标任务信息出现延迟，阻碍了其在实时用例中的应用。为实现端侧目标检测，研究人员在设计高效检测器或模型压缩以降低推理延迟方面开展了大量研究。然而，高精度的两阶段检测器仍需进一步探索加速方法。在本文中，我们提出了一种针对两阶段目标检测器的模型简化方法。我们不构建通用的特征金字塔，而在两阶段检测器中仅使用一次特征提取。为弥补精度下降，我们对RPN的得分图应用了高通滤波器。我们的方法适用于任何使用特征金字塔网络的两阶段检测器。在使用ReDet、Oriented-RCNN和LSKNet等最先进的两阶段检测器于DOTAv1.5数据集上的实验中，我们的方法在精度损失不超过2.1%的情况下，将计算成本降低了最高61.2%。源代码将予以发布。
引用
@article{arxiv.2404.07405,
title = {Simplifying Two-Stage Detectors for On-Device Inference in Remote Sensing},
author = {Jaemin Kang and Hoeseok Yang and Hyungshin Kim},
journal= {arXiv preprint arXiv:2404.07405},
year = {2024}
}