AMiner推荐论文：PPPicoDet:ABetterRealTimeObjectDetectoronMobileDevices

论文链接&＃xff1a;https://www.aminer.cn/pub/6180ac495244ab9dcb79437d?f&＃61;cs
作者研究了anchor-free 策略在轻量级目标检测模型中的适用性。作者增强了Backbone结构&＃xff0c;设计了Neck的轻量化结构&＃xff0c;提高了网络的特征提取能力。改进了标签分配策略和损失函数&＃xff0c;使训练更加稳定和高效。
通过这些优化&＃xff0c;创建了一个新的实时物体检测系列架构&＃xff0c;名为PP-PicoDet&＃xff0c;它在移动设备上实现了优越的物体检测性能。与其他流行的模型相比&＃xff0c;该模型架构在准确性和延迟之间实现了更好的权衡。PicoDet-S只有0.99M参数&＃xff0c;mAP值为30.6%&＃xff0c;与YOLOX-Nano相比&＃xff0c;mAP提高了4.8%&＃xff0c;同时移动CPU延迟降低了55%&＃xff0c;与NanoDet相比&＃xff0c;mAP提高了7.1%。当输入尺寸为320时&＃xff0c;在移动ARM CPU上达到123 FPS(使用Paddle Lite时达到150 FPS)。PicoDet-L仅3.3M参数的mAP值为40.9%&＃xff0c;mAP值提高了3.7%&＃xff0c;比YOLOv5s快44%。如图1所示&＃xff0c;本文模型远远优于轻量级目标检测的最新结果。
目标检测被广泛应用于许多计算机视觉任务中&＃xff0c;包括自主驾驶、机器人视觉、智能交通、工业质量检测、目标跟踪等。
两阶段模型通常会带来更高的性能。然而&＃xff0c;这种消耗计算资源的网络限制了部署的需求。为了克服这一问题&＃xff0c;轻量级物体检测器的研究越来越受到关注&＃xff0c;旨在设计高效的物体检测。
AMiner,让AI帮你理解科学&＃xff01;https://www.aminer.cn