YOLO-ReT：面向边缘GPU的高精度实时目标检测
计算机视觉与模式识别
2021-10-27 v1
摘要
目标检测模型的性能在模型准确性和效率两个主要方面迅速增长。然而，为了将基于深度神经网络（DNN）的目标检测模型部署到边缘设备，通常需要大幅压缩此类模型，从而牺牲模型准确性。在本文中，我们提出了一种新颖的边缘GPU友好模块，用于多尺度特征交互，通过利用现有最先进方法中各种特征尺度之间缺失的组合连接。此外，我们提出了一种新颖的迁移学习骨干网络采纳方法，受不同任务间平移信息流变化的启发，旨在补充我们的特征交互模块，并共同提高市场上各种边缘GPU设备上的准确性和执行速度。例如，采用MobileNetV2x0.75骨干网络的YOLO-ReT在Jetson Nano上实时运行，在Pascal VOC上达到68.75 mAP，在COCO上达到34.91 mAP，分别比同类方法高出3.05 mAP和0.91 mAP，同时执行速度快3.05 FPS。此外，将我们的多尺度特征交互模块引入YOLOv4-tiny和YOLOv4-tiny (3l)后，它们在COCO上的性能分别提升至41.5和48.1 mAP，比原始版本高出1.3和0.9 mAP。
引用
@article{arxiv.2110.13713,
title = {YOLO-ReT: Towards High Accuracy Real-time Object Detection on Edge GPUs},
author = {Prakhar Ganesh and Yao Chen and Yin Yang and Deming Chen and Marianne Winslett},
journal= {arXiv preprint arXiv:2110.13713},
year = {2021}
}
备注
To appear in WACV 2022