SlimYOLOv3：更窄、更快、更优的实时无人机应用目标检测器
计算机视觉与模式识别
2020-05-04 v1
摘要
搭载机载相机与嵌入式系统并具备计算机视觉功能的无人机或通用无人 aerial 飞行器（UAVs）已在广泛应用之中流行。然而，由于在嵌入式设备上内存与计算能力有限，通过运行于无人机平台上的目标检测实现实时场景解析非常具有挑战性。为应对这些挑战，本文提出通过对卷积层进行通道剪枝来学习高效的深度目标检测器。为此，我们对通道缩放因子施加 L1 正则化以强制卷积层的通道级稀疏性，并剪除信息量较少的特征通道，从而获得“纤细”的目标检测器。基于该方法，我们提出 SlimYOLOv3，其可训练参数与浮点运算次数（FLOPs）均少于原始 YOLOv3（Joseph Redmon 等人，2018），可作为无人机实时目标检测的有前景方案。我们在 VisDrone2018-Det 基准数据集上评估 SlimYOLOv3；相较于未剪枝版本，SlimYOLOv3 取得了引人注目的结果，包括 FLOPs 降低约 90.8%、参数规模减少约 92.0%、运行速度约快 2 倍且与 YOLOv3 检测精度相当。不同剪枝比例的实验结果一致验证了所提结构更窄的 SlimYOLOv3 比 YOLOv3 更高效、更快且更优，因而更适用于无人机实时目标检测。我们的代码已公开于 https://github.com/PengyiZhang/SlimYOLOv3。
引用
@article{arxiv.1907.11093,
title = {SlimYOLOv3: Narrower, Faster and Better for Real-Time UAV Applications},
author = {Pengyi Zhang and Yunxin Zhong and Xiaoqiong Li},
journal= {arXiv preprint arXiv:1907.11093},
year = {2020}
}