【论文笔记】A Survey on Lightweight CNN-Based Object Detection Algorithms for Platforms
A Survey on Lightweight CNN-Based Object Detection Algorithms for Platforms with Limited Computational Resources 面向计算资源有限平台的轻量级有线电视网络目标检测算法综述
**Abstract:**几个轻量级CNN架构的综述,可用于嵌入式目标。前文主要讲了几个基于深度CNN架构,如AlexNet [14]、VGGnet [15]、GoogLeNet [16]和ResNet [17]。所有这些体系结构在计算上都很耗力,这使得它们不适合嵌入式系统的实现。重点在后面这几个轻量级的CNN架构。
MobileNet:就是上一篇讲的深度卷积可分离网络。它将卷积分解为深度方向的可分离卷积,然后是点方向的卷积,以构建轻量级深度神经网络(图9)。此外,它引入了两个简单的超参数,其中一个超参数是宽度乘数,它允许我们减少通道的数量,而第二个超参数是分辨率乘数,它减少了要素地图的空间维度。 MobileNet-SSD在COCO数据集上准确率很高,比YOLOv2好。
SqueezeNet:SqueezeNet [27]是一个小型CNN架构,在ImageNet数据集上以少50倍的参数实现AlexNet CNN的准确性.使用深度压缩技术,挤压网可以比AlexNet小500倍[28]。SqueezeNet架构基于三种策略:-使用(11)过滤器而不是(33)过滤器,因为(11)过滤器比(33)过滤器少9x个参数;-使用挤压层将输入通道数量减少到3×3过滤器;和-后期下采样以保持大的特征图。Fire模块是SqueezeNet架构的积木,由两层组成:一个压缩卷积层,只有(11)个滤镜,一个扩展层,混合了(11)和(3*3)个卷积滤镜(图10)。
ShuffleNet:在ImageNet分类和COCO检测的任务上,它提供了比MobileNet更好的性能。ShuffleNet架构使用两种新的操作,以便在保持准确性的同时降低计算成本。这些操作是逐点组卷积和通道混洗。信道混洗操作允许将每个组中的信道分成许多子组,然后用不同的子组馈送给下一层中的每个组。在基于ARM的移动设备上,ShuffleNet实现了比AlexNet架构13倍的实际加速,同时保持了相当的准确性。
PeleeNet:在使用Nvidia Jetson TX2的ImageNet ILSVRC 2012上,PeleeNet实现了比MobileNet两个版本更好的准确性和1.8倍的速度。同时,PeleeNet模型的大小比MobileNet小66%。
【论文笔记】A Survey on Lightweight CNN-Based Object Detection Algorithms for Platforms相关推荐
- 论文精度笔记(五):《Micro-YOLO: Exploring Efficient Methods to Compress CNN based Object Detection Model》
作者单位:港大, 同济大学, 字节AI Lab, UC伯克利 文章目录 论文以及源码获取 论文题目 参考文献 1. 研究背景 2. 贡献 3. 相关工作 3.1 DSConv 3.2 MBConv 3 ...
- 论文阅读:Saliency-Guided Region Proposal Network for CNN Based Object Detection
论文阅读:Saliency-Guided Region Proposal Network for CNN Based Object Detection (1)Author (2)Abstract (3 ...
- 论文解读《Micro-YOLO: Exploring Efficient Methods to Compress CNN based Object Detection Model》
论文:Micro-YOLO: Exploring Efficient Methods to Compress CNN based Object Detection Model 基于CNN的目标检测模 ...
- 论文笔记 Object-Aware Instance Labeling for Weakly Supervised Object Detection - ICCV 2019
Object-Aware Instance Labeling for Weakly Supervised Object Detection Kosugi ICCV, 2019 (PDF) (Citat ...
- 论文笔记 Feature Selective Anchor-Free Module for Single-Shot Object Detection - CVPR 2019
2019 FSAF Feature Selective Anchor-Free Module for Single-Shot Object Detection Chenchen Zhu, Yihui ...
- 【论文笔记】Region-based Convolutional Networks for Accurate Object Detection and Segmentation
<Region-based Convolutional Networks for Accurate Object Detection and Segmentation>是将卷积神经网络应用 ...
- 【论文笔记】Multi-Content Complementation Network for Salient Object Detection in Optical RSI
论文 论文:Multi-Content Complementation Network for Salient Object Detection in Optical Remote Sensing I ...
- 论文笔记-YOLOv4: Optimal Speed and Accuracy of Object Detection
论文地址:https://arxiv.org/pdf/2004.10934v1.pdf code:https://github.com/AlexeyAB/darknet. 摘要 有大量的技巧可以提高C ...
- 论文笔记——Stitcher:Feedback-driven Data Provider for Object Detection
论文下载: https://arxiv.org/pdf/2004.12432.pdf 论文摘要: 代码暂未开源 该论文摘要概括:目标检测器的效果是根据物体尺度的不同而不同,在小对象性能上是最不令人满意 ...
最新文章
- LibSVM学习(三)——LibSVM使用规范
- java学绘图吗_Java绘图
- 2000条你应知的WPF小姿势 基础篇69-73 WPF Freeze机制和Template
- [JavaScript]高效 JavaScript
- 计算机仿真课程建议,关于信息技术教学中的几点建议
- 网络岗7 97用户破解图片
- 【数学基础】一份非常适合人工智能学习的线性代数基础材料中文版 (国内教材精华)...
- N字霸气多空博弈大师能量潮拐点战法通达信 主图/副图/选股指标
- Linux虚拟机上的Scala安装
- 企业如何安装linux软件下载,linux系统安装软件方法大全
- 【08月02日】指数估值排名
- 微信小程序 上传头像截图功能
- 洗内衣、白鞋、羊毛衫……需要专用清洁剂吗
- Hero image网站转化这么高?21个最佳案例给你参考
- 以水稻为例教你如何使用BSA方法进行遗传定位(上篇)
- Linux读取群晖文件,debian读取群晖硬盘
- 嵌入式是什么?为什么引入嵌入式技术?嵌入式技术的优缺点?
- 双精度浮点数的取绝对值
- 使用codemirror打造你自己的前端在线编辑器
- 【机器学习】机器学习之一元线性回归