LCDet:Low-Complexity Fully-Convolutional Neural Networks for Object Detectionin Embedded Systems

本文提出了一种改进的YOLO网络,通过用两层卷积替代全连接层,并进行8-bit量化,实现了精度损失最小化的同时大幅提升了帧率。实验表明,量化后的检测率仅比未量化版本低1~2%,但帧率提高了20倍。

全文概括

  本文的基本网络框架是YOLO,但用两层 conv 代替 两层 fc 。然后用 8-bit 量化了训练好的网络权重。


Introduction

   8-bit 量化回归任务,会比量化分类任务更容易造成精度下降。
  经过试验显示,本文方法(量化后)的最高检测率比量化前的只低不到 1 2%1~2\%1 2%,但在帧率上达到了 202020x 倍的提升。

  YOLO使用的基础框架是 GoogleNet,即使将框架系统变成 AlexNet,其在嵌入设备上最多也只能每秒跑555帧。


Methods

Network Architecture

   和YOLO相比,YOLO在除了最后一层,激活函数都选择 LeakyReLU ,而本文选择 ReLU。YOLO在最后一层不使用激活函数,而本文对不同的任务选择不同激活函数,分类(softmax),置信度(sigmoid),定位(不使用激活函数)。

  训练过程和YOLO一样,损失函数也一直,除了 λnoobj=1\lambda_{noobj}=1λnoobj=1,而YOLO的该参数为0.50.50.5

Quantized Network

作者认为量化回归任务比分类任务难的原因:
   The justification for the high accuracy in low-precision modes comes from the fact that the final activation is a probability i.e. in [0,1] intervals, can be represented with an unsigned number without any concern on scaling.

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值