建网站如何收费,网站建设如何设置登录页面,网站设计用的技术,沈阳网络公司排名论文地址#xff1a;https://arxiv.org/pdf/2302.07483 这篇文章的标题是《EdgeYOLO: An Edge-Real-Time Object Detector》#xff0c;由中国北京理工大学的Shihan Liu、Junlin Zha、Jian Sun、Zhuo Li和Gang Wang共同撰写。这篇论文提出了一个基于最新YOLO框架的高效、低复…
论文地址https://arxiv.org/pdf/2302.07483 这篇文章的标题是《EdgeYOLO: An Edge-Real-Time Object Detector》由中国北京理工大学的Shihan Liu、Junlin Zha、Jian Sun、Zhuo Li和Gang Wang共同撰写。这篇论文提出了一个基于最新YOLO框架的高效、低复杂度且无锚点的目标检测器能够在边缘计算平台上实时实现。以下是对论文内容的解读 研究背景与动机 计算硬件性能提升随着计算硬件性能的不断提升基于深度神经网络的计算机视觉技术在过去十年中迅速发展目标检测作为自主智能系统中的一个重要元素对于实现自动化和智能化至关重要。 目标检测策略的演进目标检测领域存在两种主流策略即两阶段策略如R-CNN系列和一阶段策略如YOLO框架。两阶段策略虽然在精度上略胜一筹但无法满足实时性要求特别是在传统计算设备上。相比之下一阶段策略在实时性和性能之间取得了平衡因此受到了研究者更多的关注。 边缘计算的兴起边缘计算允许在数据源附近进行数据处理减少了数据传输延迟对于需要快速响应的应用场景如自动驾驶、无人机监控等具有重要意义。然而现有的先进模型在边缘计算设备上通常运行帧率FPS较低无法满足实时性需求。 模型复杂度与实时性的平衡为了在边缘设备上实现实时目标检测需要设计出既保证精度又具有较低计算复杂度的模型。这要求研究者在模型设计时考虑到参数数量、结构复杂度以及推理速度。 小目标检测的挑战小目标在图像中所占像素较少导致用于表达目标的信息量减少其检测精度通常显著低于大目标。为了提高小目标的检测效果需要对现有方法进行改进和优化。 无锚点Anchor-free检测器的优势与传统的基于锚点Anchor-based的检测器相比无锚点检测器在后处理阶段可以节省更多时间因为它们不需要处理每个网格单元的多个锚点这有助于提高边缘设备上的目标检测速度。 EdgeYOLO
EdgeYOLO是一种具有良好精度并且能够在边缘设备上实时运行的目标检测器。 设计了一种Anchor-Free目标检测器该检测器可以在MS COCO2017数据集中实时运行在边缘设备上准确率为50.6%AP 提出了一种更强大的数据增强方法进一步确保了训练数据的数量和有效性 模型中使用了可重参化的结构以减少推理时间 设计了一个损失函数以提高小目标的精度。 主要改进 无锚点检测器: 提出了一个无需锚点anchor-free的目标检测器可以减少设计复杂度和计算量。 数据增强方法: 开发了一个增强的数据增强方法有效抑制训练过程中的过拟合。 混合随机损失函数: 设计了一种新的损失函数提高小目标的检测精度。 解耦头: 提出了一种更轻量、高效的解耦头以加速推理过程同时保持精度。 关键组件 增强的Mosaic Mixup: 通过结合Mosaic和Mixup数据增强技术增加了图像的丰富性并确保输出图像包含足够的有效信息。 Lite-Decoupled Head: 一种轻量级解耦头通过重参数化技术提高推理速度同时减少推理成本。 Staged Loss Function: 分阶段的损失函数设计根据训练过程的不同阶段调整损失函数以优化模型性能。 技术细节 数据增强: 通过随机数据增强不可避免地会导致一些标签无效EdgeYOLO通过增加有效框的数量来解决这个问题。 模型缩减: 通过模型缩减技术减少计算成本提高模型推理速度。 解耦回归: 与传统的统一回归检测头相比解耦回归检测头可以提高性能并加速损失收敛。 小目标检测优化: 通过数据增强和损失函数的重新设计提高小目标的检测效果。 实验与评估 数据集: 在MS COCO2017和VisDrone2019-DET数据集上进行测试这些数据集包含丰富的标签信息适合评估模型性能。 训练环境: 使用4个RTX 3090 GPU进行训练采用ELAN-Darknet作为模型的主干网络。 推理测试: 在NVIDIA Jetson AGX Xavier边缘计算设备上进行推理测试确保模型满足实时性要求。 性能: EdgeYOLO在MS COCO2017数据集上达到了50.6% AP50:95和69.8% AP50的精度在VisDrone2019-DET数据集上达到了26.4% AP50:95和44.8% AP50的精度。 实时性: 在Nvidia Jetson AGX Xavier设备上模型的帧率FPS≥30满足实时要求。 结论与贡献
结论 高效率与实时性: EdgeYOLO证明了其能够在边缘设备上以高效率和实时性运行同时保持了较高的目标检测精度。 小目标检测: 特别指出了EdgeYOLO在小目标检测方面的性能提升这是通过其创新的数据增强和损失函数设计实现的。 无锚点结构: 由于采用了无锚点anchor-free结构EdgeYOLO简化了设计复杂度和计算复杂度使得在边缘设备上的部署更为友好。 框架扩展性: 论文提出该框架有潜力扩展到其他像素级识别任务如实例分割等。
贡献 实时无锚点目标检测器: 设计了一个能够在边缘设备上实时运行的无锚点目标检测器该检测器在MS COCO2017数据集上达到了50.6% AP50:95的精度。 增强的数据增强方法: 提出了一种更强大的数据增强方法进一步确保了训练数据的量和有效性。 模型结构优化: 在模型中使用了可重参数化的结构以减少推理时间。 混合随机损失函数: 设计了一种新的损失函数改善了小目标的检测精度。 不同规模模型: 构建了几个不同大小的模型以适应不同计算能力的边缘设备并加速模型推理过程。 实验验证: 在MS COCO2017和VisDrone2019-DET数据集上进行了广泛的实验验证证明了EdgeYOLO在不同场景下的有效性。 开源资源: 提供了源代码、超参数和模型权重以便研究社区可以访问和进一步研究。 论文强调尽管EdgeYOLO在目标检测方面取得了显著成果但仍有改进空间特别是在小目标检测的准确性方面。未来的工作将集中在进一步提高小目标的检测精度并探索更有效的优化方法。
