利用知识蒸馏的轻量化深度 6DoF 目标检测
计算机视觉与模式识别
2020-10-20 v3 机器学习
图像与视频处理
摘要
考虑 6DoF 位姿的目标检测是构建虚拟现实与增强现实应用的常见需求。这通常是一项复杂任务，需要实时处理与高精度结果以提供良好用户体验。近来，不同的深度学习技术被提出用于检测 RGB 图像中的 6DoF 目标。然而，它们依赖高复杂度网络，所需计算力阻碍其在移动设备上运行。本文提出一种在保持精度同时降低 6DoF 检测网络复杂度的方法。我们利用知识蒸馏让便携式卷积神经网络（CNN）从实时 6DoF 检测 CNN 中学习。所提方法仅使用 RGB 图像即可支持实时应用，同时降低硬件需求。我们使用 LINEMOD 数据集评估所提方法，实验结果表明，与原架构相比，所提方法将内存需求降低近 99%，代价是在一项指标上精度减半。代码见 https://github.com/heitorcfelix/singleshot6Dpose。
引用
@article{arxiv.2003.13586,
title = {Squeezed Deep 6DoF Object Detection Using Knowledge Distillation},
author = {Heitor Felix and Walber M. Rodrigues and David Macêdo and Francisco Simões and Adriano L. I. Oliveira and Veronica Teichrieb and Cleber Zanchettin},
journal= {arXiv preprint arXiv:2003.13586},
year = {2020}
}
备注
This paper was accepted by 2020 International Joint Conference on Neural Networks (IJCNN)