PVANET算法笔记

最新推荐文章于 2024-08-27 07:20:47 发布

AI之路

最新推荐文章于 2024-08-27 07:20:47 发布

阅读量7.3k

点赞数 3

分类专栏：深度学习计算机视觉目标检测-object detection

本文链接：https://blog.csdn.net/u014380165/article/details/79502113

版权

PVANET是为了解决Faster R-CNN速度慢的问题，通过less channels with more layers的原则设计。它采用C.ReLU减少计算量，Inception模块增加感受野多样性，以及多尺度表示的HyperNet融合特征。实验证明，PVANET能在保持准确性的同时，提高目标检测的速度。

摘要由CSDN通过智能技术生成

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Faster CNN的特征提取网络，也就是用PVANET来提取特征作为Faster RCNN网络中RPN部分和RoI Pooling部分的输入，改进以后的Faster RCNN可以在基本不影响准确率的前提下减少运行时间。我们知道加宽和加深网络向来是提升网络效果的两个主要方式，因为要提速，所以肯定做不到同时加宽和加深网络，因此PVANET网络的总体设计原则是：less channels with more layers，深层网络的训练问题可以通过residual结构来解决。另外因为PVANET结构的设计不涉及网络量化等加速操作，所以如果要进一步加速的话可以再使用加速算法。总体来说PVANET网络主要利用了以下三个思想：
1、Concatenated rectified linear unit (C.ReLU) is applied to the early stage of our CNNs (i.e., first several layers from the net