旷视科技提出：最新实时目标检测网络ThunderNet

最新推荐文章于 2024-12-12 01:00:00 发布
转载 最新推荐文章于 2024-12-12 01:00:00 发布 · 1.5k 阅读 · 1

部署运行你感兴趣的模型镜像

转自：https://mp.weixin.qq.com/s/XIjQpYjcDKltccLicTOKcQ

国防科大&旷视科技：据我们所知，ThunderNet实现了ARM平台上的第一个实时检测器和最快的单线程速度。

[论文地址](https://arxiv.org/pdf/1903.11752.pdf)

代码即将开源

您可能感兴趣的与本文相关的镜像

Python3.10

Python3.10

Conda
Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

【目标检测】ThunderNet: 超轻量型检测网络，旷视科技
Lingyun
09-25 2908
paper：ThunderNet: Towards Real-time Generic Object Detection 论文链接：https://arxiv.org/abs/1903.11752?context=cs.CV 开源代码：https://github.com/qixuxiang/Pytorch_Lightweight_Network1 不得不说，ThunderNet 做的速度...
CVPR 2021 | 旷视提出GID：用于目标检测的通用实例蒸馏
迈微AI研习社 · 号主
03-16 1048
本文提出一种用于目标检测的知识蒸馏新方法：General Instance Distillation，GID，可应用于各种检测框架中，使得学生模型显著提高AP的性能，甚至优于Teacher模型！
YOLOv4团队打造YOLOv7！最先进的实时目标检测网络来了！
张伟的专栏
11-17 808
YOLOv7 来了！超越YOLOv5、YOLOX、PPYOLOE、YOLOR等目标检测网络！YOLOv7 在 5 FPS 到 160 FPS 范围内的速度和准确度都超过了所有已知的目标检测器，并且在 GPU V100 上 30 FPS 或更高的所有已知实时目标检测器中具有最高的准确度 56.8% AP。YOLOv7官方开源 | Alexey Bochkovskiy站台，精度速度超越所有YOLO，还得是AB点击关注@CVer计算机视觉，第一时间看到最优质、最前沿的CV、AI工作~
NanoDet目标检测新网络！比YOLO跑的还快
阿木寺的博客
11-24 7018
项目链接：https://github.com/RangiLyu/nanodet 作者：RangiLyu NanoDet Super fast and lightweight anchor-free object detection model. Real-time on mobile devices. ⚡Super lightweight: Model file is only 1.8 mb. ⚡Super fast: 97fps(10.23ms) on mobile ARM CPU. ????Tra
旷视重磅开源YOLOX：新一代实时目标检测网络，超越现有一切YOLO！
热门推荐
qq_38410428的博客
07-21 1万+
本文首发于极市平台，作者：@Happy，转载须经授权并注明来源 前言 本文是旷视科技在目标检测方面的最新技术总结，同时也是CVPR2021自动驾驶竞赛冠军方案的技术总结。本文将近两年来目标检测领域的各个角度的优秀进展与YOLO进行了巧妙地集成组合(比如解耦头、数据增广、标签分配、Anchor-free机制等)得到了YOLOX，性能取得了大幅地提升，同时仍保持了YOLO系列一贯地高效推理。此外值得一提的是，YOLO系列终于又回到了Anchor-free的怀抱，不用费劲心思去设计anchor了。 YOL.
目标检测最新创新点： EMS-YOLO：首个用于目标检测的直接训练脉冲神经网络
xuxu96
11-11 2243
为了解决这个问题，我们提出了 EMS-YOLO，一种用于目标检测的新型直接训练 SNN 框架，这是第一个使用代理梯度训练深度 SNN 进行目标检测而不是 ANN-SNN 转换策略的尝试。论文地址：https://openaccess.thecvf.com/content/ICCV2023/html/Su_Deep_Directly-Trained_Spiking_Neural_Networks_for_Object_Detection_ICCV_2023_paper.html。公众号：CV算法小屋。
旷视科技：人工智能的无限游戏.docx
最新发布
08-19
这一技术使得旷视科技在图像识别之外，还能够处理物体识别、文本识别、图像分类、物体检测等多种图像处理相关功能，进一步巩固了旷视在AI领域的技术优势。 旷视科技的发展历程，反映了中国高科技企业在科技创新、...
【论文】旷视科技提出的新型轻量架构ShuffleNet V2
07-30
旷视科技提出的ShuffleNet V2是一种针对移动端深度学习应用优化的卷积神经网络架构。这种新型架构的提出，旨在解决移动端深度学习领域中计算资源受限和对速度效率需求较高的问题。ShuffleNet V2的设计思想来源于对于...
旷视科技Shufflenet：移动设备上的高效CNN架构
ShuffleNet是由旷视科技（Megvii Inc. 的Face++团队）提出的一种极其高效的人工神经网络架构，专为计算能力极为有限的移动设备设计（例如10到150百万浮点运算FLOPs）。该创新的架构主要关注在低功耗设备上保持高精度...
A Comprehensive Study of Real-Time Object Detection Networks Across Multiple Domains跨多个领域的实时目标检测网络综述
Together_CZ的博客
12-12 1331
基于深度神经网络的目标检测器不断发展，并被应用于多种应用中，每个应用都有其独特的需求。虽然安全关键型应用需要高精度和可靠性，但低延迟任务需要资源和能源高效的网络。实时检测网络在具有高影响力的现实世界应用中是必需的，但它们往往过分强调精度和速度的改进，而忽略了多功能性、鲁棒性、资源和能源效率等其他能力。现有的网络缺乏参考基准，也没有设计新网络的标准评估指南，导致比较模糊和不一致。
ThunderNet Towards Real-time Generic Object Detection
03-31
Real-time generic object detection on mobile platforms is a crucial but challenging computer vision task. However, previous CNN-based detectors suffer from enormous computational cost, which hinders them from real-time inference in computation-constrained scenarios. In this paper, we investigate the effectiveness of two-stage detectors in real-time generic detection and propose a lightweight two-stage detector named ThunderNet. In the backbone part, we analyze the drawbacks in previous lightweight backbones and present a lightweight backbone designed for object detection. In the detection part, we exploit an extremely efficient RPN and detection head design. To generate more discriminative feature representation, we design two efficient architecture blocks, Context EnhancementModule and Spatial Attention Module. At last, we investigate the balance between the input resolution, the backbone, and the detection head. Compared with lightweight one-stage detectors, ThunderNet achieves superior performance with only 40% of the computational cost on PASCALVOC and COCO benchmarks. Without bells and whistles, our model runs at 24.1 fps on an ARM-based device. To the best of our knowledge, this is the first real-time detector reported on ARM platforms. Code will be released for paper reproduction.
ICLR2022系列解读之三：一个新的目标检测网络结构范式GiraffeDet
AIEarth的博客
12-13 1046
本文解读我们ICLR2022上发表的论文《GiraffeDet: A Heavy-Neck Paradigm for Object Detection》。
【Real-Time Detection survey】实时目标检测网络综述论文 A Comprehensive Study of Real-Time Object Detection Network
wendell 的博客
11-30 2154
目标检测任务同时对目标实例进行分类和定位。通常可分为一阶段和两阶段网络。两阶段检测网络通常包括一个独立的Region Proposal Network (RPN)。通过RPN提取到感兴趣区域，然后分别输入到分类head进行分类，输入到回归head得到定位坐标。通常两阶段网络很少用于实时检查。ThunderNet通过轻量化的RPN结构实现了实时检测。一阶段检测网络不包含独立的Proposal 结构，而是考虑所有可能的目标点。一阶段检测网络通常可分为基于anchor的和基于关键点定位的网络架构。
ThunderNet
bestrivern的博客
12-07 726
一.Abstract two-stage lightweighted backbone for object detection efficient rpn and detection head design To generate more discriminative feature representation, we design two efficient architectu...
CenterX 目标检测新网络（已开源）
weixin_47477271的博客
12-01 985
作者：CPFLAME 项目代码：https://github.com/CPFLAME/centerX 项目介绍：https://zhuanlan.zhihu.com/p/323814368 CenterX This repo is implemented based on detectron2 and CenterNet What’s new Support imgaug data augmentation Support swa Support Knowledge Distill, teacher-
目标检测网络
程序猿的视界
01-31 2334
大致分为两类one-stage和two-stage，主要区别是检测目标类别与bounding box回归任务是否分开进行。 two-stage代表是rcnn系列（rcnn、fast-rcnn、faster-rcnn） one-stage代表是yolo系列（yolov1-yolov5）、SSD、RetainNet 1、one-stage ①yolo 略 ②SSD ③RetainNet 2、two-stage ...
目标检测的最新思路
yunxinan的专栏
03-21 895
目标检测新方法 FasterRCNN 论文 代码 创新点 YOLOV3 论文 代码 创新点 SSD 论文 代码 创新点 cornernet 论文 代码 创新点 TridentNet 论文 代码 创新点 RFBNet 论文 代码 创新点 SimpleDet 论文 代码 创新点 Grid R-CNN 论文 代码 创新点 ...
高校疯传！一套目标检测、卷积神经网络和OpenCV学习资料（教程/PPT/代码）
AI蜗牛车
04-09 392
AI 显然是最近几年非常火的一个新技术方向，从几年前大家认识到 AI 的能力，到现在产业里已经在普遍的探讨 AI 如何落地了。计算机视觉目前在很多领域都已经实现了商业应用，从现实市场规模角...
Laravel Sidebar 项目教程
gitblog_00024的博客
06-07 424
Laravel Sidebar 项目教程 1. 项目的目录结构及介绍 Laravel Sidebar 项目的目录结构如下： laravel-sidebar/ ├── app/ │ ├── Http/ │ │ ├── Controllers/ │ │ └── Middleware/ │ └── Providers/ ├── config/ │ └── app.php ├─...
ThunderNet：实时通用物体检测新突破
"ThunderNet是国防科技大学和旷视科技合作提出的一种针对实时通用物体检测的轻量级深度学习模型。该模型旨在解决在计算资源有限的移动平台上进行实时物体检测的难题，通过优化网络结构，提高了检测速度和性能。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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