YOLO目标检测创新改进与实战案例专栏
专栏目录: YOLO有效改进系列及项目实战目录 包含卷积,主干 注意力,检测头等创新机制 以及 各种目标检测分割项目实战案例
专栏链接: YOLO基础解析+创新改进+实战案例
介绍
摘要
文章介绍了基于互补搜索技术组合以及新颖架构设计的MobileNets下一代,MobileNetV3。通过结合硬件感知的网络架构搜索(NAS)和NetAdapt算法,MobileNetV3针对手机CPU进行了优化,随后通过新颖的架构进步得到了改进。本文开始探索自动化搜索算法和网络设计如何共同作用,以利用互补方法提升整体艺术状态。通过这一过程,我们创建了两个新的MobileNet模型以供发布:面向高资源和低资源使用案例的MobileNetV3-Large和MobileNetV3-Small。这些模型随后被适配并应用于对象检测和语义分割任务。对于语义分割(或任何密集像素预测)任务,我们提出了一种新的高效分割解码器Lite Reduced Atrous Spatial Pyramid Pooling(LR-ASPP)。我们为移动分类、检测和分割实现了新的艺术状态水平。MobileNetV3-Large在ImageNet分类上的准确率比MobileNetV2高3.2%,同时减少了20%的延迟。与具有可比延迟的MobileNetV2模型相比,MobileNetV3-Small的准确率提高了6.6%。在COCO检测上,MobileNetV3-Large检测的速度比MobileNetV2快25%左右,准确率大致相同。在Cityscapes分割上,MobileNetV3-Large LR-ASPP比MobileNetV2 R-ASPP快34%,准确率相似。
创新点
MobileNetV3的创新点包括:
-
结合互补搜索技术和新颖架构设计:通过结合硬件感知的网络架构搜索(NAS)和NetAdapt算法,以及新颖的架构设计,实现了MobileNetV3的优化。
-
高效的分割解码器:提出了新的高效分割解码器Lite Reduced Atrous Spatial Pyramid Pooling(LR-ASPP),用于对象检测和语义分割任务。
-
高性能的MobileNetV3-Large和MobileNetV3-Small模型:针对高和低资源使用情况进行优化,在移动分类、检测和分割任务中取得了最新的技术成果。
-
引入了新颖的架构设计,包括反转残差结构和线性瓶颈层。