论文笔记：PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection

最新推荐文章于 2020-10-22 09:44:26 发布
最新推荐文章于 2020-10-22 09:44:26 发布
阅读量5.7k 收藏 1
点赞数
分类专栏： 论文笔记 深度学习 计算机视觉 文章标签： 深度学习 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013059662/article/details/52838756
版权
PVANET是Intel Imaging团队提出的一种轻量级深度学习模型，用于实时目标检测。通过C.ReLU、Inception和HyperNet模块设计，它在减少参数数量的同时保持高性能。在PASCAL VOC上，该模型展示了高效和准确的检测能力，每张图像仅需46ms。相比YOLO和SSD，PVANET在实验中表现出更好的可靠性。
摘要由CSDN通过智能技术生成

引入

PVANET是韩国研究者（Intel Imaging and Camera Technology）结合了最新的技术，在TITAN X上实现了轻量级模型的实施目标检测任务，在PASCAL VOC上取得了第五名的成绩。

网络结构设计

C.Relu

作者为了减少网络参数，才用了C.ReLU[1]这一结构，最终能够使通道数减少一半。并在concat操作之后加入了尺度变化和偏移。具体结构如下：

从图上可以看出，作者其实只是将原本的Conv层，做了一个取反、尺度变化和漂移。具体的代码在power_layer.cpp/cu文件中。
加入尺度变化和偏移能够允许每一个通道的斜率和激活阈值与它们相反通道的不同。这样，也就是说，在一半的参数下，能够实现两倍的不同参数的filter。

Inception

作者也将近年来流行的Inception模型加入到了网络中来。

HyperNet

HyperNet[2]是今年CVPR上的论文，通过引入多尺度来增加对细节特征的提取。关于这部分，作者认为：因为直接对概要层连接可能会导致过多冗余信息，从而进一步加大了运算量，因此需要仔细地设计不同概要层的数量和层数。如果过早，只有很小的提升，但可能会引起过多的计算。

最终&#x

最低0.47元/天 解锁文章
隐匿人海
关注
专栏目录
PVANet论文阅读笔记
小肥柴不是小废柴的博客
01-22 319
论文：Lightweight Deep Neural Networks for Real-time Object Detection Github：PVANet C++ Demo ：PVANet_CPP Abstract 许多目标检测问题中，算法的运行速度和精度同等重要。本文主要针对的就是算法的运算速度提升问题。作者提出了一个轻量级的网络，取得了state...
PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection - arxiv 2016.08
_menglan_Zi
09-08 6535
PVANET: Deep but Lightweight Neural Networks forReal-time Object Detection, arxiv 16.08 论文地址：https://arxiv.org/pdf/1608.08021v1.pdf 先看leaderboard 再看下speed 厉害的不要不要的。 ===== 转正题，下面介绍下这篇
PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
盛夏光年
10-12 2131
PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection 传送门：      论文：https://www.arxiv.org/pdf/1608.08021v3.pdf      code：https://github.com/sanghoon/pva-faster-rcnn 摘要
目标检测--PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
cv_family_z的博客
09-05 9748
https://www.arxiv.org/abs/1608.08021本文针对多种类目标检测这个问题，结合当前各种最新技术成果，达到很好的结果。针对整体检测框架：CNN feature extraction + region proposal + RoI classification 我们主要优化 feature extraction，因为 region proposal part 速度比较快
翻译PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
qq_38288757的博客
05-30 313
摘要：      本文介绍了如何通过适应和结合最近的技术创新，最大限度地降低计算成本，从而实现多类别对象检测任务中的最新精度。继“CNN特征提取+区域提案+ RoI分类”这一常用管道之后，我们主要重新设计特征提取部分，因为区域提案部分计算量不大，并且分类部分可以用截短SVD等常用技术进行有效压缩。我们的设计原则是“少层多渠道”，并采用了一些构建模块，包括连接的ReLU，Inception和Hype...
PVANET 之再阅读
cv_family_z的博客
05-19 5079
旨在降低计算量，重新设计了特征提取部分，设计原则是“通道少层数多”，网络比较深但是比较瘦，使用了batch norm，residual 连接，学习率更新策略等技术。在VOC2012上 rank-2，运行时间在i7-6700K CPU上750ms/帧，在Titan X GPU上运行时间45ms/帧。其他增强性能方法： 在CNN的前几层使用C.ReLU，降低一半计算量 CNN前几层，输出节点激活一般有
论文笔记: PVANet: Lightweight Deep Neural Networks for Real-time Object Detection
DeepIndeed
12-22 534
论文下载 arxiv paper code Abstract 使用"Feature Extraction+Region Proposal+RoI Classification" 的结构，主要对Feature Extraction进行重新设计。因为，Region Proposal部分计算量不太大而且classification部分可以使用通用的技术(例如：Truncated SVD) 进行有效...
深度学习【51】物体检测：PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
DCD_LIN的博客
07-23 371
da
Lightweight Neural Network-开源
04-28
C中的轻量级反向传播神经网络。适用于需要简单神经网络并且不需要不必要复杂的神经网络库的程序。 包括训练网络以识别手写数字的示例应用程序。
【目标检测】PVANET:Deep but Lightweight Neural Networks for Real-time Object Detection
zhw864680355的博客
12-16 281
论文：《PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection》 论文链接：https://arxiv.org/abs/1608.08021 代码链接：https://github.com/sanghoon/pva-faster-rcnn 参考原文：https://blog.csdn.net/u0...
READING NOTE: PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
joshua_1988
08-30 3382
TITLE: PVANET Deep but Lightweight Neural Networks for Real-time Object Detection
【PVANet】《PVANET：Deep but Lightweight Neural Networks for Real-time Object Detection》
bryant_meng
04-03 359
arXiv preprint arXiv:1608.08021, 2016. 文章目录1 Background and Motivation2 Advantages / Contributions3 Notions / Innovations4 Method5 Datasets6 Experiments7 Conclusion / Future work 1 Background and ...
读书笔记PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
guojingjuan的博客
09-19 441
转自：http://www.cnblogs.com/xueyuxiaolang/p/5959442.html 传送门：      论文：https://www.arxiv.org/pdf/1608.08021v3.pdf      code：https://github.com/sanghoon/pva-faster-rcnn 中心：
PVANET
Bruce_0712的博客
10-22 284
论文：PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection 论文链接：https://arxiv.org/abs/1608.08021 代码链接：https://github.com/sanghoon/pva-faster-rcnn RCNN系列的object detection算法总体上分为特征提取、RPN网络和分类回归三大部分，Faster RCNN的效果虽好，但是速度较慢，这篇文章的出发点是改进Fast
pvanet
jacke121的专栏
02-23 2570
https://github.com/sanghoon/pytorch_imagenet/blob/e76c2359b3361b6db0f9faf583487b2b1a784808/models/pvanet.py import time import torch import torchvision import torch.nn as nn import torch.nn.func...
论文解读——PVANet
绝版小哥的博客
11-17 536
原文：PVANet: Lightweight Deep Neural Networks for Real-time Object Detection 要求： A. 先讲清楚论文的网络架构流程的核心思想(建议以图的形式展示); B. 再讲框架每一部分的细节; C. 最后讲实验的组织和结论。 摘要： 目标：降低计算成本 内容：提出了一个比现有网络轻一个数量级的新型网络架构 基本原则：多层少通道（m...
A lightweight convolutional neural network for disease detection of fruit leaves
最新发布
04-13
Sure, there are many lightweight convolutional neural networks (CNNs) that can be used for fruit leaf disease detection. One popular option is MobileNet, which can provide good classification accuracy while requiring less computational resources. Another option is SqueezeNet, which is even more lightweight and can be used on resource-constrained devices. Are there any specific requirements or constraints for your fruit leaf disease detection project?
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值