xYOLO：一种面向低端硬件上人形机器人足球实时目标检测的模型
计算机视觉与模式识别
2019-10-09 v1 机器学习
机器人学
图像与视频处理
机器学习
摘要
随着物联网（IoT）、边缘计算和自主机器人等领域机载视觉处理的出现，对计算高效的卷积神经网络（CNN）模型在资源受限硬件设备上进行实时目标检测的需求日益增长。Tiny-YOLO 通常被认为是低端设备上较快的目标检测器之一，也是我们工作的基础。我们在该网络上的实验表明，Tiny-YOLO 在 Raspberry Pi 3 B 上可达到 0.14 帧每秒（FPS），这对于检测球门和球类物体的踢球自主人形机器人而言过慢。本文中我们提出对 YOLO CNN 模型的改进，称为 xYOLO，其可在 Raspberry Pi 3 B 上以 9.66 FPS 的速度实现目标检测。这是通过牺牲可接受的精度代价实现的，使网络比 Tiny-YOLO 约快 70 倍。在桌面 CPU 和 GPU 上也获得了更大的推理加速。此外，我们贡献了一个用于球门和球检测的标注 Darknet 数据集。
引用
@article{arxiv.1910.03159,
title = {xYOLO: A Model For Real-Time Object Detection In Humanoid Soccer On Low-End Hardware},
author = {Daniel Barry and Munir Shah and Merel Keijsers and Humayun Khan and Banon Hopman},
journal= {arXiv preprint arXiv:1910.03159},
year = {2019}
}
备注
6 pages, 5 figures