基于改进 FSSD 与模型压缩的小目标检测
计算机视觉与模式识别
2021-08-25 v1 多媒体
摘要
小目标分辨率相对较低，视觉特征不明显且难以提取，因此现有目标检测方法无法有效检测小目标，且检测速度与稳定性较差。为此，本文提出一种基于 FSSD 的小目标检测算法，同时为降低计算开销与存储空间，进行剪枝以实现模型压缩。首先，利用不同层特征所包含的语义信息检测不同尺度目标，并改进特征融合方法以获取更多有利于小目标的信息；其次，引入批归一化层以加速神经网络训练并使模型稀疏；最后，通过缩放因子对模型进行剪枝，得到相应的压缩模型。实验结果表明，该算法在 PASCAL VOC 上的平均精度 (mAP) 可达 80.4%，在 GTX1080ti 上速度为 59.5 FPS。剪枝后，压缩模型可达 79.9% mAP，检测速度为 79.5 FPS。在 MS COCO 上，最佳小目标检测精度 (APs) 为 12.1%，IoU 为 0.5 时整体检测精度为 49.8% AP。该算法不仅能提高小目标的检测精度，还大幅提升了检测速度，在速度与精度之间达到了平衡。
引用
@article{arxiv.2108.10503,
title = {Small Object Detection Based on Modified FSSD and Model Compression},
author = {Qingcai Wang and Hao Zhang and Xianggong Hong and Qinqin Zhou},
journal= {arXiv preprint arXiv:2108.10503},
year = {2021}
}