移动端实时检测网络PeleeNet

 

论文：Pelee: A Real-Time Object Detection System on Mobile Devices 

Github:https://github.com/Robert-JunWang/Pelee

            https://github.com/nnUyi/PeleeNet

 

ICLR2018论文，主要提出了DesNet的变种版本PeleeNet，适用于移动端的轻量级网络。

 

PeleeNet主要特点：

（1）Two-Way Dense Layer

Dense Block模块使用如上图所示的2-way dense layer。主要进行上面模块的堆叠

（2）Stem Block

PeleeNet的网络基础模块为上图所示的Stem Block

（3）Dynamic Number of Channels in Bottleneck Layer

瓶颈单元的channel数目根据输入feature map的大小来决定，保证输出的通道数不超过输入的通道数。与原始DenseNet相比，可以节省28.5%的计算消耗，并且对精度影响很小。

（4）Transition Layer without Compression

传统DenseNet中Transition Layer的压缩率会影响特征的表达。PeleeNet中的Transition Layer的输入和输出通道数一样。

（5）Composite Function

为了提高速度，采用了conv+BN+relu的组合，而不是conv+relu+BN的组合。可以进行卷积和BN的合并计算操作。当然精度会略有降低。

 

SSD+PeleeNet:

（1）主要使用了5个scale的feature map，(19 x 19, 10 x 10, 5 x 5,3 x 3, 1 x 1)，为了减少计算量没有使用38 x 38的feature map

（2）在每一个scale的feature map进入分类和回归之前，使用了ResBlock模块。

（3）ResBlock模块中使用1*1卷积，相比3*3卷积，可以减少21.5%的计算量。

（4）提供了IOS上基于sdd+PeleeNet的解决方案。

 

PeleeNet网络结构：

 

训练学习率策略：

学习率采用cos方式的学习率变化方法，假设epoch为t，t <= 120，则最终学习率为 0.5 ∗ lr ∗ (cos(π ∗ t=120) + 1)

 

实验结果：

VOC结果：

COCO结果：