看了几十篇轻量化目标检测论文扫盲做的摘抄笔记

 摘要:本文首先介绍了轻量化目标检测及其发展历程,接着又对常见的轻量化目标检测算法以及网络进行概述,在此基础上引出近三年来最新的轻量化目标检测算法,最后对轻量化目标检测的发展和研究做出总结。

关键字:目标检测;轻量化;卷积神经网络;深度学习

引言

        近年来,随着深度学习技术的不断发展,神经网络凭借强大的特征表达能力和泛化能力在计算机视觉领域取得了巨大的成功,目标检测技术也从基于手工特征的传统算法转向了基于深度神经网络的检测算法[1]。但当前基于深度卷积神经网络的目标检测算法计算资源需求太大和内存消耗严重使得成本较高[2],而轻量化网络因可以牺牲一小部分检测精度使检测速度获得较大的提升受到了广泛关注。轻量化网络的设计核心是在尽可能保证模型精度的前提下,降低模型的计算复杂度和空间复杂度,从而使得深度神经网络可以被部署在计算性能和存储空间有限的嵌入式边缘设备上,实现从学术界到工业界的跃迁[3]。

        一般轻型化目标检测从设计轻量化的深度网络模型和神经网络模型的压缩入手。(1)目前学术界和工业界设计轻量化的深度网络模型主要有 4种方法:人工设计的轻量化神经网络 、基于神经网络架构搜索(Neural architecturesearch,NAS)的自动设计神经网络技术、卷积神经网络压缩和基于 AutoML的自动模型压缩。(2)神经网络模型的压缩根据不同的属性轻量化技术大致可以分为以下几个方向:1.参数剪枝与量化(Parameter Pruning and Quantization),2.低秩分解(Low-rank Factorization),3.轻量化模块设计(Light-weight Module Design),4.知识蒸馏(Knowledge Distillation)[4]。

1相常见算法与网络概述

1.1目标检测算法

        当前目标检测算法根据有无候选区域推荐阶段分为一阶段算法和二阶段算法[5]。二阶段算法一般先使用算法 (选择性搜索或者区域建议网络等) 对图像提取候选框, 然后对候选框目标进行二次修正得到检测结果,主要有R-CNN 系列;一阶段没有候选区域阶段,可以在一个阶段直接确定目标类别并得到位置检测框,主要有以 YOLO 系列和 SSD 系列[6]。目前常见的轻量化目标检测模型通常采用单阶段目标检测算法高效的轻量级骨干网络,将分类问题中的训练模型作为目标检测的预训练模型,这可以为训练检测器提供更丰富的语义信息。

1.2 anchor

        目标检测算法又根据有无利用anchor提取候选目标框,分为anchor-based和anchor-free,anchor-based基于预设的若干固定尺度和长宽比的anchor生成预测框,代表算法有faster r-cnn、ssd、retinaNet、yolov2、yolov3等[7]。anchor-free基于点生成预测框,基于anchor-free算法大致分为两种,一种是以 Dense Box为代表的密集框检测方法,另一种是以 Corner Net为代表的基于关键点的检测方法。代表算法有:yolo v1、CornerNet、CenterNet

1.3常见的轻型化网络模型

        从模型设计时就采用一些轻量化的思想,例如采用深度可分离卷积、分组卷积等轻量卷积方式,减少卷积过程的计算量。此外,利用全局池化来取代全连接层,利用1×1卷积实现特征的通道降维,也可以降低模型的计算量,这两点在众多网络中已经得到了应用[8]。

        对于轻量化的网络设计,目前较为流行的有SqueezeNet、MobileNet及ShuffleNet等结构。其中,SqueezeNet采用了精心设计的压缩再扩展的结构,MobileNet使用了效率更高的深度可分离卷积,而ShuffleNet提出了通道混洗的操作,进一步降低了模型的计算量[9]。

1.3.1 SqueezeNet (压缩再拓展)

        随着网络结构的逐渐加深,模型的性能有了大幅度提升,但这也增加了网络参数与前向计算的时间。SqueezeNet从网络结构优化的角度出发,使用了如下3点策略来减少网络参数,提升网络性能:

        1. 使用1×1卷积来替代部分的3×3卷积,可以将参数减少为原来的1/9。

        2. 减少输入通道的数量,这一点也是通过1×1卷积来实现,通道数量的减少可以使后续卷积核的数量也相应地减少。

        3. 将降采样后置。在减少通道数之后,使用多个尺寸的卷积核进行计算,以保留更多的信息,提升分类的准确率。

        基于以上3点,SqueezeNet提出了基础模块 Fire Module。图中输入特征尺寸为H×W,通道数为M,依次经过一个Squeeze层与Expand层,然后进行融合处理。

1.3.2 MobileNet(深度可分离卷积)

        MobileNet 系列充分发挥了深度可分离卷积的优势,通过引入逆残差结构,提升了卷积计算的效率。相较于其他人工设计轻量化模型,其有着复杂度更小、目标检测精准率较高等优点。在MobileNet系列网络中,MoblieNetv3网络是最新一代,其结合了三种模型的思想:(1) MobileNetV1的深度可分离卷积(depthwise separable convolutions);(2)MobileNetV2的具有线性瓶颈的逆残差结构(the inverted residual with linear bottleneck);(3) MnasNet的基于squeeze and excitation结构的轻量级注意力模型。

1.3.3 ShuffleNet(通道混洗)

        ShuffleNet 系列在分组卷积的基础上引入了通道混洗操作,避免了大量的 1×1 卷积操作。人工设计轻量级神经网络通过引入更加高效的卷积单元,在不损失网络性能的条件下,降低了网络参数量,提升了网络的计算速度。目前最新一代为ShuffleNetv2。

1.4常见轻量化目标检测算法

        YOLO、SSD、Fast R-CNN等模型在目标检测方面速度较快和精度较高,但是这些模型比较大,为了满足嵌入式系统等资源受限平台的使用需求,研究人员基于 R-CNN、YOLO、SSD 等原始算法,结合各种轻量化网络模型,通过采用巧妙的融合策略与算法改进,提出了一系列兼具目标检测精度和实时性的轻量化目标检测算法,其中最具代表性的仍是以 R-CNN、YOLO、SSD 系列为代表的轻型化目标检测算法[1]。

1.4.1轻量化 R-CNN 系列

        R-CNN系列检测精度很高,但是自身体系结构的问题限制了检测速度。Li 等通过分析 R-CNN 系列算法头部架构设计复杂导致算法速度较慢的问题,提出了 Light-Head R-CNN 轻量化目标检测算法,该算法一方面利用较大核尺寸的可分离卷积生成通道数较少的特征图,另一方面通过单个较小的全连接层连接于池化层,从而降低算法复杂度,最终在 COCO 数据集上实现了37.7%的m AP,检测速度达到了102 FPS[1]。

1.4.2轻量化 YOLO 系列

        YOLO系列 算法的最大优势就是处理速度快,尤其是在YOLOv4有了惊人的性能提升之后,除了例如Tiny、Lite 、Nano、fastest等该系列具有的轻型化算法外,它常被人们与高效的轻量级骨干网络结合,得到性能与轻量化的目标检测算法。Luo Yujie等人[10]以YOLOv4为网络的基本框架,使用轻量级MobileNet作为特征提取网络,采用自适应空间特征融合(ASFF)方法来改善PANet在多尺度特征融合中的不良效果;并通过增加网络的输出维数,使用高斯算法对新维数进行建模,输出预测框位置的不确定性;最后,重新定义位置损失函数以提高位置回归的精度。通过对口罩佩戴情况进行测试的结果来看,该算法的检测精度达到95.92%,检测速度达到19帧/秒。Y Chen等人[11]提出了一种基于YOLOv5-MobileNetv3Small网络模型的结构创新。它移植了MobileNetv3网络结构并改进了主干网络结构,改进的YOLO算法使用VisDrone 2019 DET数据集训练网络模型。通过测试发现,优化后的YOLOv5-MobileNetv3Small网络模型的内存使用量可减少72.4%。作者经过对one-stage检测模型三大模块(Head、Neck、Backbone)都进行轻量化之后,得到了目前开源的NanoDet-m模型[12];Lining Hu等人[13]将YOLOv3-tiny网络中的卷积层替换为深度分布偏移卷积DSConv和移动反向瓶颈卷积 MBConv,并设计渐进式通道级剪枝算法以最小化数量参数并最大化检测性提出了基于YOLOv3-Tiny的Micro-YOLO。以上种种例子表明YOLO在轻型化目标检测尤其是在嵌入式平台下的重要地位。

1.4.3轻量化 SSD 系列

        SSD平衡了YOLO和Faster RCNN的优缺点的模型,也常被用来与轻量级骨干网络进行结合达到高效率的目的。 Wu Tian-cheng等人[14] 提出了一种基于特征融合的改进方案。该算法基于MobileNet V2 SSD轻量级目标检测算法,采用FPN特征融合的思想。它结合了MobileNetV2 SSD中包含更多语义信息的三个特征层,并基于融合的特征层特征金字塔进行对象检测。在PASCAL VOC数据集上对改进模型和原始模型进行了比较和测试。与原始模型相比,mAP增加了3.6%,达到76.5%。当网络结构更复杂时,改进模型的检测速度接近原始模型,达到22FPS的检测速度,可以在嵌入式设备上实现实时目标检测。谷歌采用一种简单的SSDLite进行目标检测架构组成,通过在搜索空间中加入正则卷积,并有效地将其置于网络中,从而在延迟-准确度的权衡中取得了实质性的改善。通过神经结构搜索将它们置于网络中,得到了一个物体检测模型系列,即MobileDets(详情见2.2)。Li, Q 等人[15]提出了一种轻量级目标检测网络单触发多盒检测器(SSD)7特征融合和注意机制(FFAM),它通过减少卷积层的数量来节省存储空间并减少计算量。首先,FFAM方法将高层次语义信息丰富的特征图与低层次特征图相融合,以提高小对象的检测精度。采用由通道和空间注意模块级联的轻量级注意机制来增强目标的上下文信息,并引导网络关注其易于识别的特征。SSD7-FFAM在NWPU VHR-10数据集上实现了83.7%的平均精度(mAP)、1.66 MB参数和0.033秒的平均运行时间。结果表明,所提出的SSD7-FFAM更适合部署到嵌入式设备上进行实时目标检测。

2.近三年最新的轻量化网络和算法

2.1NanoDet2020

        NanoDet是一个 速度超快、(移动端 97fps)和轻量级(1.8MB)的移动端Ancho-free目标检测模型[16]。(1)损失函数:NanoDet 使用了李翔等人提出的 Generalized Focal Loss 损失函数[17]。该函数能够去掉 FCOS 的 Centerness 分支,省去这一分支上的大量卷积,从而减少检测头的计算开销,非常适合移动端的轻量化部署。(2)检测头轻量化:选择用深度可分离卷积替换普通卷积,并且将卷积堆叠的数量从 4 个减少为 2 组。在通道数上,将 256 维压缩至 96 维,之所以选择 96,是因为需要将通道数保持为 8 或 16 的倍数,能够享受到大部分推理框架的并行加速。最后,项目作者借鉴了 YOLO 系列的做法,将边框回归和分类使用同一组卷积进行计算,然后 split 成两份。最终得到的轻量化后的检测头。(3)FPN 层改进:选择完全去掉 PAN 中的所有卷积,只保留从骨干网络特征提取后的 1x1 卷积来进行特征通道维度的对齐,上采样和下采样均使用插值来完成。与 YOLO 使用的 concatenate 操作不同,项目作者选择将多尺度的 Feature Map 直接相加,使整个特征融合模块的计算量变得非常小。(4)骨干网络:项目作者选择使用 ShuffleNetV2 1.0x 作为骨干网络,他去掉了该网络的最后一层卷积,并且抽取 8、16、32 倍下采样的特征输入到 PAN 中做多尺度的特征融合。整个骨干模型使用了 Torchvision 提供的代码,能够直接加载 Torchvision 上提供的 imagenet 预训练权重,对加快模型收敛起到很大帮助[18]。

2.2谷歌MobileDets [19]arXiv2020  CVPR2021

        通过在搜索空间中加入正则卷积,并有效地将其置于网络中,从而在延迟-准确度的权衡中取得了实质性的改善。通过神经结构搜索将它们置于网络中,我们得到了一个物体检测模型系列,即MobileDets,它在移动加速器上取得了最先进的结果。提出一个扩大的搜索空间:包含IBN与受启发于Tensor Decomposition的全卷积序列,称之为Tensor Decomposition Based Search Space(TBD)。作者以CPU、EdgeTPU、DSP硬件平台为蓝本,在目标检测任务上采用NAS方式进行网络架构设计。仅仅采用一种简单的SSDLite进行目标检测架构组成,所设计的网络架构称之为MobileDets。

2.3超越YOLOv4-TinyCSL-YOLO:移动端实时检测(2021[20]

        (1)骨干网络:CSL-Bone:由几个CSL-Module组成(2)特征金字塔网络( FPN ):CSL-FPN:首先将FPN中的所有3×3卷积替换为CSL-Module。其次,在扩展阶段,在2个尺度层之间形成一个中尺度层,这些中尺度层可以增强模型对不同尺度目标的检测能力;最后在重复阶段,同时有(k)th层、(k-1)th层和(k+1)th层进行特征融合,但每次只使用奇层或偶层。(3)Tricks of CSL-YOLO:① Anchors约束 ② Non-Exponential预测

2.4Micro-YOLO2021[21]

        提出了一种新的基于轻量级CNN的目标检测模型,即基于YOLOv3-TinyMicro-YOLO,它在保持检测性能的同时显着减少了参数数量和计算成本!将YOLOv3-tiny网络中的卷积层替换为深度分布偏移卷积DSConv和移动反向瓶颈卷积 MBConv,并设计渐进式通道级剪枝算法以最小化数量参数并最大化检测性能

2.5苹果团队MobileViT更小,更快,高精度的轻量级Transformer端侧网络架构[22]2021

        它是一个轻量级,通用的,低时延的端侧网络架构,将Transformer视为卷积,允许利用卷积和Transformer(例如,全局处理)的优点来构建轻量级和通用ViT模型。结合了CNN的归纳偏置优势和ViT的全局感受野能力,利用了CNN中的空间归纳偏置优势以及对数据增强技巧的低敏感性的特性,再结合了ViT中对输入特征图信息进行自适应加权和建立全局依赖关系等优点。

2.6超越 MobileNetV3——华为GhostNet(2020)[23]

        提出了一种新的Ghost模块,可以从廉价的操作中生成更多的特征图。基于一组内在特征映射,以低廉的成本应用一系列线性变换来生成许多能充分揭示内在特征信息的ghost feature maps。论文提出的Ghost模块可以作为一个即插即用的组件来升级现有的卷积神经网络。Ghost bottlenecks用来堆叠Ghost模块,从而可以方便地建立轻量级GhostNet。

2.7 YOLOv5 NanoDet 都没它优秀!百度开源 PP-PicoDet:轻量型实时目标检测模型[24]2021

       (1)骨干网络:ShuffleNetV2在移动端非常高效,我们对其进行了增强并提出一种新的骨干ESNet(Enhanced ShuffleNet, ESNet)

        (2)CSP-PAN and Detector Head:我们通过 1×1卷积将输出特征的通道数调整到最小通道数以解决原始CSP-PAN中上大通道数的结构在移动端存在昂贵的计算消耗述问题。此外,还在CSP-PAN的基础上添加了一个特征尺度以检测更多目标。与此同时,除了1×1卷积外,其他卷积均为5×5深度卷积。这种结构设计可以带来可观的性能提升,同时参数量更少。

        在检测头部分,我们采用深度分离卷基于5×5卷积提升感受野。Neck与Head均具有四个尺度分支,我们保持两者的通道数一致。YOLOX采用更少通道数的解耦头提升性能;而PP-PicoDet耦合头具有更好的性能,且无需减少通道数 。该方案的Head与YOLOX的Head具有几乎相同的参数量和推理速度。

      (3)Label Assignment Strategy and Loss:选择SimOTA作为标签分配方案,并对其cost矩阵进行优化,采用VarifocalLoss与GIoULoss的加权组合计算。对于分类头,我们采用VarifocalLoss耦合分类预测与质量预测;对于回归头,我们采用GIoU与DistributionFocalLoss。

         (4)Other Strategies:将检测器中的ReLU替换为H-Swish,性能大幅提升同时推理速度不变

2.8EdgeNeXt打混合拳:集CNNTransformer于一体(2022[25]

        整体架构采取标准的“四阶段”金字塔范式设计,其中包含卷积编码器与SDTA编码器两个重要的模块。在卷积编码器中,自适应核大小的设计被应用,这与SDTA中的多尺度感受野的思想相呼应。而在SDTA编码器中,特征编码部分使用固定的3×3卷积,但通过层次级联实现多尺度感受野的融合,而此处若使用不同尺寸的卷积核是否会带来更好的效果有待考证。在自注意计算部分,通过将点积运算应用于通道维度,得到了兼顾计算复杂度与全局注意力的输出,是支撑本文的一个核心点。

2.9腾讯DisCo: 提升轻量化模型在自监督学习中的效果(ECCV2022[26]

        Distilled Contrastive Learning (DisCo),一种简单有效的基于蒸馏的轻量化模型的自监督学习方法,该方法可以显著提升Student的效果并且部分轻量化模型可以非常接近Teacher的性能。

       (1)基于自监督的蒸馏学习;

       (2)放弃共享队列,使整个框架不依赖于MoCo-V2,整个框架更加简洁。Teacher/Student 模型可以与其他比MoCo-V2更加有效的自监督/无监督表征学习方法结合,进一步提升轻量化模型蒸馏完的最终性能。

       (3)目前的自监督方法中,MLP的隐藏层维度较低可能是蒸馏性能的瓶颈。在自监督学习与蒸馏阶段增加这个结构的隐藏层的维度可以进一步提升蒸馏之后最终轻量化模型的效果,而部署阶段不会有任何额外的开销。

2.10阿里提出目标检测新范式GiraffeDet:轻骨干、重Neck2022[27]

        提出了首个轻骨干+灵活FPN组合的检测器,所提GiraffeDet包含一个轻量S2D-chain骨干与一个Generalized-FPN并取得了SOTA性能。

        (1)不同常规骨干,本文设计了一种轻量型S2D-chain骨干,同时通过可控实验证实:相比常规骨干,FPN对于检测模型更为重要;

        (2)提出GFPN(Generalized-FPN)以跨尺度连接方式对前一层与当前层的特征进行融合,跳层连接提供了更有效的信息传输,同时可以扩展为更深的网络;

        在不同FLOPs-性能均衡下,所提GiraffeDet均取得了优异性能。当搭配多尺度测试时,GiraffeDet-D29在COCO数据集上取得了54.1%mAP指标,超越了其他SOTA方案。

2.11ParC-Net超苹果[28]2022

        纯基于ConvNet的骨干模型,通过将vision transformers的优点融合到ConvNet 中。提出了位置感知循环卷积(ParC),这是一种轻量级的卷积运算,它拥有全局感受野,同时产生与局部卷积一样的位置敏感特征。将ParCs和squeeze-exictation ops结合起来形成一个类似于元模型的模型块,它还具有类似于transformers的注意力机制。上述块可以即插即用的方式使用,以替换ConvNets或transformers中的相关块

3.总结

        现代高效卷积神经网络 (CNN) 总是使用深度可分离卷积 (DSC) 和神经网络架构搜索 (NAS) 来减少参数数量和计算复杂度。总体而言,性能优异的轻量化目标检测算法依然明显依赖于巧妙的轻量化特征提取网络设计,以及网络内部高效的信息提取与传递机制,此外,多尺度与多样化的模型训练方法也是实现算法性能的有效保障,这些方面可作为改进轻量化目标检测算法性能的研究方向。

        另外,深度神经网络轻量化的技术方向不止一个,它们之间相互独立又相互补充,合理的设计能够起到很好的互补作用。例如在文献[4]和[26]中与知识蒸馏或其他模型压缩和结构优化进行结合,也实现了很好的效果。

4.结束语

        通过对参考文献的阅读和分析,了解了轻型化目标检测的发展现状和最新研究,自己对轻型化目标检测也有了更加详细的了解,对后面的学习打下良好了的基础。




参考文献

  1. 轻量化卷积神经网络目标检测算法综述
  2. 基于深度学习的轻量化目标检测算法
  3. 基于深度学习的计算机视觉研究新进展
  4. 基于轻量化神经网络的目标检测算法研究与应用
  5. 深度学习目标检测方法综述
  6. https://blog.csdn.net/m0_61899108/article/details/122287285?ops_request_misc=&request_id=&biz_id=102&utm_term=%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B%E7%BD%91%E7%BB%9C%E8%BD%BB%E9%87%8F%E5%8C%96%E7%A0%94%E7%A9%B6%E7%8E%B0%E7%8A%B6&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-3- 122287285.142^v39^pc_rank_34_queryrelevant25&spm=1018.2226.3001.4187
  7. https://www.zhihu.com/question/356551927/answer/926659692
  8. https://mp.weixin.qq.com/s?__biz=MzI0NDYxODM5NA==&mid=2247483709&idx=1&sn=8788c1310d3a449488023755e39baa48&chksm=e95a44c8de2dcdde4cadc5287ad5a5097ab52cb35f6e00f39c98846676896e174bf954ee2f26&scene=21#wechat_redirect
  9. https://blog.csdn.net/m0_61899108/article/details/122287285?ops_request_misc=&request_id=&biz_id=102&utm_term=%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B%E7%BD%91%E7%BB%9C%E8%BD%BB%E9%87%8F%E5%8C%96%E7%A0%94%E7%A9%B6%E7%8E%B0%E7%8A%B6&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-3-122287285.142^v39^pc_rank_34_queryrelevant25&spm=1018.2226.3001.4187
  10. Lightweight Target Detection Algorithm Based on Adaptive Spatial Feature Fusion
  11. UAV Lightweight Object Detection Based on the Improved YOLO Algorithm
  12. YOLO之外的另一选择,手机端97FPS的Anchor-Free目标检测模型NanoDet现已开源~ - 知乎
  13. Micro-YOLO: Exploring Efficient Methods to Compress CNN basedObject Detection Model
  14. 基于特征融合的轻量级SSD目标检测方法
  15. SSD7-FFAM: A Real-Time Object Detection Network Friendly to Embedded Devices from Scratch

16.

https://blog.csdn.net/qq_41204464/article/details/110410940?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165979648916782248520930%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=165979648916782248520930&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-1-110410940-null-null.142^v39^pc_rank_34_queryrelevant25,185^v2^control&utm_term=NanoDet&spm=1018.2226.3001.4187https://blog.csdn.net/qq_41204464/article/details/110410940?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165979648916782248520930%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=165979648916782248520930&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-1-110410940-null-null.142%5Ev39%5Epc_rank_34_queryrelevant25,185%5Ev2%5Econtrol&utm_term=NanoDet&spm=1018.2226.3001.4187

17.

Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection

18.

https://blog.csdn.net/qq_41204464/article/details/110410940?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165979751316782395355784%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=165979751316782395355784&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_ecpm_v1~pc_rank_34-5-110410940-null-null.142^v39^pc_rank_34_queryrelevant25,185^v2^control&utm_term=NanoDet%E4%B8%BA%E4%BB%80%E4%B9%88%E4%B8%BA%E8%BD%BB%E9%87%8F%E7%BA%A7&spm=1018.2226.3001.4187https://blog.csdn.net/qq_41204464/article/details/110410940?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165979751316782395355784%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=165979751316782395355784&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_ecpm_v1~pc_rank_34-5-110410940-null-null.142%5Ev39%5Epc_rank_34_queryrelevant25,185%5Ev2%5Econtrol&utm_term=NanoDet%E4%B8%BA%E4%BB%80%E4%B9%88%E4%B8%BA%E8%BD%BB%E9%87%8F%E7%BA%A7&spm=1018.2226.3001.4187

19.

极市开发者平台-计算机视觉算法开发落地平台极市开发者平台(Extreme Mart)是极视角科技旗下AI开发者生态,为计算机视觉开发者提供一站式算法开发落地平台,同时提供大咖技术分享、社区交流、竞赛活动、数据集下载、CV课程等丰富的内容与服务。https://www.cvmart.net/community/detail/2656

20.

https://blog.csdn.net/Yong_Qi2015/article/details/118741611?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165985143816782248590452%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=165985143816782248590452&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-1-118741611-null-null.142^v39^pc_rank_34_queryrelevant25,185^v2^control&utm_term=CSL-YOLO&spm=1018.2226.3001.4187

21. 

Micro-YOLO: Exploring Efficient Methods to Compress CNN based Object Detection Model

22.

MobileViT: 一种更小,更快,高精度的轻量级Transformer端侧网络架构_深度学习技术前沿-商业新知

23.

极市开发者平台-计算机视觉算法开发落地平台

24.

极市开发者平台-计算机视觉算法开发落地平台

25.

极市开发者平台-计算机视觉算法开发落地平台

26.

DisCo: Remedy Self-supervised Learning on Lightweight Models with Distilled Contrastive Learning

27.

G IRAFFEDET : A HEAVY -NECK PARADIGM FOR OBJECT DETECTION

28.

https://blog.csdn.net/gzq0723/article/details/126066229?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165980406816781790787500%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=165980406816781790787500&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_ecpm_v1~pc_rank_34-2-126066229-null-null.142^v39^pc_rank_34_queryrelevant25,185^v2^control&utm_term=ParC-Net&spm=1018.2226.3001.4187

你可能感兴趣的:(轻型化目标检测,目标检测,深度学习,计算机视觉)