论文链接:https://www.aminer.cn/pub/6178c43c5244ab9dcbb2b86b?f=cs
目标检测模型在模型精度与效率两条主线上得到了长足发展。然而,为将DNN检测器部署到边缘设备上,我们需要对齐进行大幅压缩,这就导致了模型性能的牺牲。
本文提出了一种新颖的边缘GPU友好的模块RFCR用于多尺度特征交互 ;此外,我们还提出一种新颖的迁移学习骨干调节方案 以补充特征交互模块,并协同提升模型在不同边缘GPU设备上的推理速度以及模型精度。
比如,当硬件平台为Jetson Nano时,YOLO-ReT+MobileNetV2(x0.75)能够实时推理并取得68.75mAP@VOC、34.91mAP@COCO指标,以3.05mAP@VOC、0.91mAP@COCO以及3.05FPS提升优于对标方案 ;当引入了RFCR模块后,YOLOv4-tiny与YOLOv4-tiny(3l)可以取得了1.3与0.9mAP指标提升达到41.5mAP@COCO与48.1mAP@COCO。
AMiner,让AI帮你理解科学!https://www.aminer.cn