Pelee：A Real-Time Object Detection System On Mobile Devices

Abstract

• 在具有有限计算能力和存储器资源的移动设备上运行卷积神经网络（CNN）模型的日益增长的需求促进了对高效模型设计的研究。 近年来已经提出了许多高效的体系结构，例如，MobileNet，ShuffleNet和MobileNetV2。然而，所有这些模型都严重依赖于深度可分离卷积，这在大多数深度学习框架中缺乏有效的实现。在这项研究中，我们提出了一个名为PeleeNet的高效架构，它采用传统的卷积方式构建。在ImageNet ILSVRC 2012数据集上，我们提出的PeleeNet在NVIDIA TX2上实现了比MobileNet和MobileNetV2更高的准确度和1.8倍的速度。同时，PeleeNet仅占MobileNet模型规模的66％。 然后，我们提出了一种实时物体检测系统，它将PeleeNet与单次多盒检测器（SSD）方法相结合，并优化架构以实现快速速度。我们提出的检测系统1，名为Pelee，在PASCAL VOC2007上达到76.4％mAP（平均精度），在MSCOCO数据集上达到22.4 mAP，速度为iPhone 8上的23.6 FPS和NVIDIA TX2上的125 FPS。 考虑到更高的精度，13CO的计算成本和11.3倍的模型尺寸，COCO的结果优于YOLOv2。

Introduction

• 在严格限制内存和计算预算的情况下，人们越来越关注运行高质量的CNN模型。 许多创新架构，如MobileNets Howard等。 （2017），舒ffl eNet Zhang等。 （2017），NASNet-A Zoph等。 （2017），MobileNetV2 Sandler etal。（2018），近年来已被提出。 然而，所有这些架构都严重依赖于深度可分离卷积Szegedy等人，它缺乏有效的实现。 同时，很少有研究将高效模型与快速物体检测算法相结合。 本研究试图探索用于图像分类任务和物体检测任务的高效CNN架构的设计。 它列出了一些主要贡献如下：
• 我们为移动设备提出了一种名为Pelee