炼数成金 门户 商业智能 深度学习 查看内容

国防科大、旷视提出首个在ARM上实时运行的通用目标检测算法

2019-4-1 10:38| 发布者: 炼数成金_小数| 查看: 21987| 评论: 0|来自: 我爱计算机视觉

摘要: 目标检测的算法有很多,但要在移动平台,比如手机上的ARM CPU实时还比较难,主流的state-of-the-art目标检测算法无法实时,而一些号称可以跑起来的算法距离state-of-the-art的精度差距太大。作者希望设计速度快而精 ...

网络 工具 算法 商业智能 ETL

今天跟大家分享一篇前天新出的论文《ThunderNet: Towards Real-time Generic Object Detection》,来自国防科大与旷视的研究团队(孙剑老师在列)提出了较早的能够在移动端ARM芯片实时运行的两阶段通用目标检测算法ThunderNet(寓意像Thunder雷一样快^_^),并称该算法后续将开源!

以下是作者信息:


论文地址:
https://arxiv.org/pdf/1903.11752v1.pdf

一作为来自国防科大的Zheng Qin和旷视的Zeming Li。

提出问题
目标检测的算法有很多,但要在移动平台,比如手机上的ARM CPU实时还比较难,主流的state-of-the-art目标检测算法无法实时,而一些号称可以跑起来的算法距离state-of-the-art的精度差距太大。

作者希望设计速度快而精度高的算法,满足移动端的部署需求。

下图是该文提出的ThunderNet算法的三个版本与目前轻量级检测网络在COCO test-dev数据集上的精度和计算量的比较图,可见ThunderNet在精度达到或超过之前轻量级检测网络的同时,降低了计算量。

以上均为在CPU上单线程运行结果,MobileNet-SSD运行在骁龙820,MobileNet/MobileNetV2-SSDLite运行在骁龙810,Pelee运行在Intel i7-6700K (4.0 GHz),ThunderNet运行在骁龙845。

算法思想
作者是在经典的两阶段目标检测算法的基础上做的改进。

网络结构如下:


作者分两个方向做了5点改进:

一、改进速度。
1. 使用轻量级、面向目标检测任务设计的骨干网Snet。
网络参数如下:


2. 压缩RPN网络部分,降低候选目标区域生成的时间。

3. R-CNN子网络使用1024维的全连接层,提高速度。

二、改进特征表示的鉴别性。
1. 设计了上下文增强模块CEM结构,它可以有效结合三个尺度的特征图,编码更多的上下文信息,增大感受野,生成更具鉴别性的特征。


2. 设计了空间注意力模块SAM结构,它可以利用RPN中学习到的信息,从上下文增强模块提精特征图的特征分布。


实验结果
作者在VOC 2007 test数据集上的实验结果如下,与现有其他算法相比,在保持高精度同时,计算量也处于较低水平。

下图是在COCO test-dev数据集上与其他算法的比较,同样达到了计算量小精度高的目标。

以下是一些检测结果示例:


在运行速度方面,该算法能到达到与MobileNet-SSD相当的精度,此时在ARM上运行24.1fps,x86上运行47.3fps。使用SNet146骨干网的ThunderNet精度超过YOLOv2,而计算量仅为其1/37。

期待作者早日放出代码!

声明:本文版权归原作者所有,文章收集于网络,为传播信息而发,如有侵权,请联系小编及时处理,谢谢!

欢迎加入本站公开兴趣群
商业智能与数据分析群
兴趣范围包括各种让数据产生价值的办法,实际应用案例分享与讨论,分析工具,ETL工具,数据仓库,数据挖掘工具,报表系统等全方位知识
QQ群:81035754

鲜花

握手

雷人

路过

鸡蛋

相关阅读

最新评论

热门频道

  • 大数据
  • 商业智能
  • 量化投资
  • 科学探索
  • 创业

即将开课

 

GMT+8, 2019-6-27 05:00 , Processed in 0.162333 second(s), 24 queries .