BING和EdgeBoxes移植到TK1(未完)

  • 前言
  • EdgeBoxes移植
  • BING移植

1.前言

计划参加Low-Power Image Recognition Challenge比赛,为了达到低功耗我们目前使用TK1。Image Recognition现在最流行且最先进的方法之一,当属R-CNN,其又发展出Fast R-CNN和Faster R-CNN。
目前Fast R-CNN采用Object proposal的方法是Selective Search,Object proposal发展得也很灿烂,例如:piotrdollár的EdgeBoxes、Ming-ming Cheng的BING。EdgeBoxes和BING就是与Selective Search相比较下,处理速度快是它们的优势,但是总体上Recall不如Selective Search,Recall这个指标间接反映了CNN的分类的精确度。
为了上TK1运行,Selective Search的速度慢的让人心慌,所以不得不采用其他的解决方案,于是乎EdgeBoxes和BING就进入了我们的视野。
Show一下粗略的数据:

  • 环境: TK1
  • 数据集: ImageNet
name image/sec with omp
SS 22 \
BING 0.3 0.06
EB 1.8 0.34

2.EdgeBoxes移植

Edge Boxes: Locating Object Proposals from Edges

3.BING移植

BING: Binarized Normed Gradients for Objectness Estimation at 300fps

你可能感兴趣的:(研发,图像识别)