用于实时目标检测的宽残差Inception网络
计算机视觉与模式识别
2017-07-18 v3
摘要
自卷积神经网络（CNN）模型出现以来，计算机视觉中的多项任务已积极部署CNN模型进行特征提取。然而，传统CNN模型计算成本高、内存需求大，这对于嵌入式板卡或移动平台上的实时路面目标检测等商业应用来说既不切实际也负担不起。为克服CNN模型的这一局限，本文提出了一种宽残差Inception（WR-Inception）网络，其架构基于残差Inception单元，能在同一特征图上捕捉各种尺寸的目标，且层数更浅、宽度更大，优于ResNet等最先进网络。为验证所提网络，本文进行了两项实验：一项是在CIFAR-10/100上的分类任务，另一项是使用单发多框检测器（SSD）在KITTI数据集上的路面目标检测任务。
引用
@article{arxiv.1702.01243,
title = {Wide-Residual-Inception Networks for Real-time Object Detection},
author = {Youngwan Lee and Byeonghak Yim and Huien Kim and Eunsoo Park and Xuenan Cui and Taekang Woo and Hakil Kim},
journal= {arXiv preprint arXiv:1702.01243},
year = {2017}
}
备注
IV 2017