【论文笔记】A Survey on Lightweight CNN-Based Object Detection Algorithms for Platforms

A Survey on Lightweight CNN-Based Object Detection Algorithms for Platforms with Limited Computational Resources 面向计算资源有限平台的轻量级有线电视网络目标检测算法综述

**Abstract：**几个轻量级CNN架构的综述，可用于嵌入式目标。前文主要讲了几个基于深度CNN架构，如AlexNet [14]、VGGnet [15]、GoogLeNet [16]和ResNet [17]。所有这些体系结构在计算上都很耗力，这使得它们不适合嵌入式系统的实现。重点在后面这几个轻量级的CNN架构。
MobileNet：就是上一篇讲的深度卷积可分离网络。它将卷积分解为深度方向的可分离卷积，然后是点方向的卷积，以构建轻量级深度神经网络(图9)。此外，它引入了两个简单的超参数，其中一个超参数是宽度乘数，它允许我们减少通道的数量，而第二个超参数是分辨率乘数，它减少了要素地图的空间维度。 MobileNet-SSD在COCO数据集上准确率很高，比YOLOv2好。
SqueezeNet：SqueezeNet [27]是一个小型CNN架构，在ImageNet数据集上以少50倍的参数实现AlexNet CNN的准确性.使用深度压缩技术，挤压网可以比AlexNet小500倍[28]。SqueezeNet架构基于三种策略:-使用(11)过滤器而不是(33)过滤器，因为(11)过滤器比(33)过滤器少9x个参数；-使用挤压层将输入通道数量减少到3×3过滤器；和-后期下采样以保持大的特征图。Fire模块是SqueezeNet架构的积木，由两层组成:一个压缩卷积层，只有(11)个滤镜，一个扩展层，混合了(11)和(3*3)个卷积滤镜(图10)。

ShuffleNet：在ImageNet分类和COCO检测的任务上，它提供了比MobileNet更好的性能。ShuffleNet架构使用两种新的操作，以便在保持准确性的同时降低计算成本。这些操作是逐点组卷积和通道混洗。信道混洗操作允许将每个组中的信道分成许多子组，然后用不同的子组馈送给下一层中的每个组。在基于ARM的移动设备上，ShuffleNet实现了比AlexNet架构13倍的实际加速，同时保持了相当的准确性。

PeleeNet：在使用Nvidia Jetson TX2的ImageNet ILSVRC 2012上，PeleeNet实现了比MobileNet两个版本更好的准确性和1.8倍的速度。同时，PeleeNet模型的大小比MobileNet小66%。