模型优化论文笔记2----将高效卷积用于嵌入式平台和iphone实现实时检测

最新推荐文章于 2024-01-24 10:05:02 发布

JaJaJaJaaaa

最新推荐文章于 2024-01-24 10:05:02 发布

阅读量198

点赞数

分类专栏：模型优化文章标签：机器学习卷积神经网络

本文链接：https://blog.csdn.net/qq_40616042/article/details/111961309

版权

本文介绍了Peleenet，这是一种专为移动设备设计的高效卷积神经网络，能够在iPhone8上实现23.6 FPS的目标检测。Peleenet结合SSD，提出了一种实时检测系统，其特点是两路密接层、茎块、自动调节通道的瓶颈层、未压缩的传输层和融合的batchnorm层。通过调整网络结构，Peleenet在Stanford Dog和ILSVRC2012数据集上展现出优于其他模型的性能，并在嵌入式平台和手机上进行了实时检测的验证。

摘要由CSDN通过智能技术生成

参考文献：
《Pelee: A Real-Time Object Detection System on Mobile Devices》
Code: https://github.com/Robert-JunWang/Pelee
提出的 PeleeNet,通过设计高效的卷积方式并与移动设备硬件的运行库结合, 能够对移动设备上的目标检测、图像分类等任务进行实时预测. 使用 PeleeNet 在 iphone8 上实现目标检测任务, 可达到 23.6 FPS(Frames PerSecond, 每秒传输帧数), 且准确率较高

主要贡献：
提出一种高效CNN结构Peleenet，用卷积代替深层分离卷积
提出一种实时检测系统，将Peleenet与SSD结合，提高检测速度

结构特点：
1.两路密接层，
一路采用33卷积核，一路采用堆叠的33卷积核学习大型目标的视觉模式
2.茎块，在不添加计算负担的同时提高特征表达能力
3.瓶颈层的自动调节通道数，依据输入尺寸变化
4.未压缩的传输层，保持输入输出通道数不变
5.在推理阶段将batchnorm层与conv层融合
采用SDD优化网络结构
1.五种特征图尺寸选择19,10,5,3,1
2.残差预测模块
3.1*1卷积核

设计部分：
总的结构包含一个茎块和4个特征获取阶段（解释了一下为什么不用已经提出的3个特征获取阶段，因为不成熟的取减少特征映射尺寸会减弱表达能力）
采用的数据集，图片分类，斯坦福的dog，和ILSVRC2012，前者数