超级会员免费看
本文介绍了PeleeNet，一个基于DenseNet的轻量级图像识别网络，实现了比MobileNet更高的准确率，并被应用于目标检测。PeleeNet通过Two-Way Dense Layer、Stem Block等创新结构，提升性能并减少计算资源。此外，网络结构包括Dynamic number of channels、Transition Layer without Compression等，旨在提高运行速度和效率。实验结果显示，PeleeNet在保持高准确率的同时，大幅降低了计算消耗。
Pelee: A Real-Time Object Detection System on Mobile Devices
- （一）论文地址：
- （二）核心思想：
- （三）Two-Way Dense Layer：
- （四）Stem Block：
- （五）Dynamic number of channels in bottleneck layer：
- （六）Transition Layer without Compression：
- （七）Composite Function：
- （八）Feature Map Selection：
- （九）Residual Prediction Block：
- （十）Small Convolutional Kernel for Prediction：
- （十一）PeleeNet 的网络结构：
- （十二）实验结果：
（这篇论文的作者的思路是真滴很清晰）
（一）论文地址：
https://arxiv.org/abs/1804.06882
（二）核心思想：
作者在 2016 年提出了一个基于 DenseNet 的叫做 PeleeNet 的轻量级图像识别网络，实现了比 MobileNet 更高的准确率，并在此基础上提出了可以使用 PeleeNet 作为目标检测网络（论文中基于 SSD）的 Backbone，来解决大量使用 DW Conv 造成的缺乏特征有效利用的问题；
（三）Two-Way Dense Layer：
受到 GoogleNet 网络的启发，作者提出了可以在原来 dense layer 的基础上增加一条通道；
其中增加的第二层通道使用了 2 层 3×3 卷积，因此比原来
订阅专栏 解锁全文
扫一扫
1677
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
