超级会员免费看
论文提出G-GhostNet模块，针对CPU和GPU设计，通过“幽灵”特征增加网络表达力，不增加计算复杂度和模型大小。在YOLO系列中应用G-GhostNet，实现模型轻量化，提升边缘设备上的物体检测性能。
改进YOLO系列：YOLOv8结合G-GhostNet轻量化设计，保持精度，计算量缩小
轻量化网络
深度神经网络模型被广泛应用在图像分类、物体检测，目标跟踪等计算机视觉任务中，并取得了巨大成功。随着时代发展，人们更加关注深度神经网络的实际应用性能，人工智能技术的一个趋势是在边缘端平台上部署高性能的神经网络模型，并能在真实场景中实时(>30帧)运行，如移动端/嵌入式设备，这些平台的特点是内存资源少，处理器性能不高，功耗受限，这使得目前精度最高的模型根本无法在这些平台进行部署和达到实时运行。由于存储空间和算力资源限制，神经网络模型在移动设备和嵌入式设备上的存储与计算仍然是一个巨大的挑战。
常见的轻量化网络设计方法
轻量化网络设计是一种针对移动设备等资源受限环境的深度学习模型设计方法。下面是一些常见的轻量化网络设计方法：
-
网络剪枝：移除神经网络中冗余的连接和参数，以达到模型压缩和加速的目的。
-
分组卷积：将卷积操作分解为若干个较小的卷积操作，并将它们分别作用于输入的不同通道，从而减少计算量。
-
深度可分离卷积：将标准卷积分解成深度卷积和逐点卷积两个步骤，使得在大部分情况下可以大幅减少计算量。
-
跨层连接：通过跨越多个层级的连接方式来增加神经网络的深度和复杂性，同时减少了需要训练的参数数
订阅专栏 解锁全文
6814
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
