Tiny-DSOD：面向资源受限场景的轻量级目标检测
计算机视觉与模式识别
2018-07-31 v1
摘要
随着深度学习的发展，目标检测在过去几年中取得了巨大进展。然而，当前大多数目标检测方法对资源消耗巨大，阻碍了其向许多资源受限场景（如常开设备、电池供电的低端设备等）的广泛部署。本文在设计整个目标检测框架时，考虑了资源受限场景下的资源与精度权衡。基于深度监督目标检测（DSOD）框架，我们提出了专用于资源受限场景的 Tiny-DSOD。Tiny-DSOD 引入了两个创新且超高效的结构模块：基于深度可分离密集块（DDB）的主干网络和基于深度可分离特征金字塔网络（D-FPN）的前端。我们在三个著名基准（PASCAL VOC 2007、KITTI 和 COCO）上进行了大量实验，并将 Tiny-DSOD 与最先进的超高效目标检测方案（如 Tiny-YOLO、MobileNet-SSD（v1 和 v2）、SqueezeDet、Pelee 等）进行比较。结果表明，Tiny-DSOD 在每次比较的三项指标（参数量、FLOPs、精度）上均优于这些方案。例如，Tiny-DSOD 仅用 0.95M 参数和 1.06B FLOPs 即达到 72.1% mAP，这是迄今为止在如此低资源需求下的最优结果。
引用
@article{arxiv.1807.11013,
title = {Tiny-DSOD: Lightweight Object Detection for Resource-Restricted Usages},
author = {Yuxi Li and Jiuwei Li and Weiyao Lin and Jianguo Li},
journal= {arXiv preprint arXiv:1807.11013},
year = {2018}
}
备注
12 pages, 3 figures, accepted by BMVC 2018