Tiny SSD：一种用于实时嵌入式目标检测的微小单发检测深度卷积神经网络
计算机视觉与模式识别
2018-02-20 v1 人工智能
神经与进化计算
摘要
目标检测是计算机视觉中的一大挑战，涉及场景中物体的分类与定位。尽管近年来深度神经网络已被证明能产生非常强大的技术来应对目标检测挑战，但使此类目标检测网络在嵌入式设备上广泛部署的最大挑战之一是高计算与内存需求。近来，探索更适合嵌入式设备的小型深度神经网络架构用于目标检测日益受到关注，例如 Tiny YOLO 与 SqueezeDet。受 SqueezeNet 中引入的 Fire 微架构的效率以及 SSD 中引入的单发检测宏架构的目标检测性能启发，本文提出 Tiny SSD，一种用于实时嵌入式目标检测的单发检测深度卷积神经网络，其由高度优化的非均匀 Fire 子网络栈以及高度优化的基于 SSD 的辅助卷积特征层非均匀子网络栈组成，专为在保持目标检测性能的同时最小化模型尺寸而设计。所得 Tiny SSD 模型大小为 2.3MB（约为 Tiny YOLO 的 1/26），同时在 VOC 2007 上仍取得 61.3% 的 mAP（较 Tiny YOLO 高约 4.2%）。这些实验结果表明，可设计出非常适合嵌入式场景的、用于实时目标检测的极小型深度神经网络架构。
引用
@article{arxiv.1802.06488,
title = {Tiny SSD: A Tiny Single-shot Detection Deep Convolutional Neural Network for Real-time Embedded Object Detection},
author = {Alexander Wong and Mohammad Javad Shafiee and Francis Li and Brendan Chwyl},
journal= {arXiv preprint arXiv:1802.06488},
year = {2018}
}
备注
7 pages