最新论文阅读（13）--Pelee: A Real-Time Object Detection System on Mobile Devices

最新推荐文章于 2023-12-18 11:05:09 发布
最新推荐文章于 2023-12-18 11:05:09 发布
阅读量1.3k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 深度学习论文阅读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/wydbyxr/article/details/80614987
PeleeNet是一种专为移动设备设计的高效深度学习架构，它摒弃了传统的卷积方式，采用了DenseNet的连接模式。PeleeNet由加拿大西安大略大学的研究人员提出，旨在解决现有模型如MobileNet和ShuffleNet在移动平台上进行实时目标检测时存在的局限。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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

- 
- 然而被mobilenetv2吊打  
- 加拿大西安大略大学

　　已有的在移动设备上执行的深度学习模型例如 MobileNet、 ShuffleNet 等都严重依赖于在深度上可分离的卷积运算，而缺乏有效的实现。在本文中，来自加拿大西安大略大学的研究者提出了称为 PeleeNet 的有效架构，它没有使用传统的卷积来实现。
　　DenseNet的一个变体，它被称作 PeleeNet，专门用于移动设备。PeleeNet 遵循 DenseNet 的创新连接模式和一些关键设计原则。
　　参考资料：https://blog.youkuaiyun.com/fengzhongluoleidehua/article/details/80297168

【论文阅读笔记】Pelee: A Real-Time Object Detection System on Mobile Devices
梁瑛平的博客
02-18 888
Pelee: A Real-Time Object Detection System on Mobile Devices（一）论文地址：（二）核心思想：（三）Two-Way Dense Layer：（四）Stem Block：（五）Dynamic number of channels in bottleneck layer：（六）Transition Layer without Compressi...
论文学习笔记（七）Pelee: A Real-Time Object Detection System on Mobile Devices
Custom自定义
01-19 2111
『写在前面』 目标检测轻量级网络。 论文出处：NeurIPS 2018 作者机构：Robert J. Wang等，University of Western Ontario 原文链接：https://arxiv.org/pdf/1804.06882v2 相关repo：https://github.com/Robert-JunWang/Pelee 目录 摘要 1 介绍 2 Pe...
【目标检测】16、Pelee: A Real-Time Object Detection System on Mobile Devices
呆呆的猫的博客
04-17 3047
摘要 目前在计算能力和内存资源有限的移动设备上运行卷积神经网络模型的需求越来越大，这样一来就刺激了对高效模型的设计和研究。 MobileNet、ShuffleNet和MobileNetV2等高效的网络结构，然而这些模型高度依赖于深度可分离卷积网络，在很多深度学习框架中难以实施。 基于此，本文提出了一种有效的结构，名为PeleeNet，使用传统的卷积网络。 在ImageNet ILSVRC 201.........
Reading Note: Pelee: A Real-Time Object Detection System on Mobile Devices
joshua_1988
04-22 1934
TITLE: Pelee: A Real-Time Object Detection System on Mobile Devicesn AUTHOR: Robert J. Wang, Xiang Li, Shuang Ao, Charles X. Ling ASSOCIATION: University ofWestern Ontario FROM: arXiv:1804.06882 ...
Pelee: A real-time object detection system on mobile devices
liguandong
03-15 303
Pelee: A real-time object detection system on mobile devices 属于densenet的变种文章，没有使用可分离卷积，因为可分离卷积不同的框架实现方法不一样。 Before first dense block Dynamic Number of channels in Bottleneck layer The nu...
Pelee：A Real-Time Object Detection System On Mobile Devices
LYKymy的博客
08-07 624
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...
Pelee:佩里
03-11
title = {Pelee: A Real-Time Object Detection System on Mobile Devices}, author = {Wang, Robert J and Li, Xiang and Ling, Charles X}, booktitle = {Advances in Neural Information Processing Systems 31},...
PyTorch实现的轻量级PeleeNet模型深入解析
该网络由Wang等人在2018年提出，并在论文《Pelee: A Real-Time Object Detection System on Mobile Devices》中详细介绍。 2. PeleeNet的设计理念：由于移动设备的计算资源有限，PeleeNet旨在降低计算复杂度和内存...
Pelee: A Real-Time Object Detection System on Mobile Devices（CVPR 2019）
最新发布
qihshe的博客
12-18 563
深度可分离卷积并不是建立高效模型的唯一方法
Pelee: A Real-Time Object Detection System on Mobile Devices论文学习
calvinpaean的博客
07-12 464
Abstract 人们越来越迫切地想要在算力和资源有限的移动设备上运行CNN，促进了高效率模型设计的研究。近些年人们提出了若干个高效率网络结构，例如 MobileNet、ShuffleNet、MobileNetV2等。但是这些模型都非常依赖深度可分离卷积，而在大多数的深度学习框架中没有深度可分离卷积的高效的实现。在这篇论文中，我们提出了一个高效率的网络结构，称作 PeleeNet，它由传统的卷积搭...
Python-PeleeNet移动设备上的实时目标检测系统DenseNet架构
08-11
PeleeNet - 移动设备上的实时目标检测系统(DenseNet架构)
Pelee: A Real-Time Object Detection System on Mobile Devices使用
P0ny的博客
06-01 2059
https://github.com/Robert-JunWang/Pelee 项目地址这个Pelee比MobilenetSSD还要强一点打
YOLObile: Real-Time Object Detection on Mobile Devices via Compression-Compilation Co-Design 论文学习
calvinpaean的博客
02-02 1089
Abstract 目标检测技术的突飞猛进与广泛应用使人们开始去关注目标检测器的准确率和速度。但是，目前 SOTA 的目标检测方法要么是通过一个大型网络来实现高准确率，要么用一个轻量级模型来追求速度，但牺牲了精度。本文中，作者提出了一个 YOLObile 框架，通过压缩-编译协同设计在移动设备上的实时的目标检测方法。提出了一个新的、针对任意核大小的 block-punched 裁剪机制。为了提高它在移动设备上的计算效率，作者采用了一个 GPU-CPU 协同机制和先进的编译器辅助优化方案。实验结果表明该裁剪机制
《Pelee: A Real-Time Object Detection System on Mobile Devices》解读
风中落泪的花
05-13 7397
已有的在移动设备上执行的深度学习模型例如 MobileNet、 ShuffleNet 等都严重依赖于在深度上可分离的卷积运算，而缺乏有效的实现。在本文中，来自加拿大西安大略大学的研究者提出了称为 PeleeNet 的有效架构，它没有使用传统的卷积来实现。PeleeNet 实现了比目前最先进的 MobileNet 更高的图像分类准确率，并降低了计算成本。研究者进一步开发了实时目标检测系统 Pelee...
object-detection
Elag的专栏
05-14 1651
awesome-object-detection Awesome Object Detection based on handong1587 github（https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html，https://github.com/amusi/awesome-object-dete...
实时目标检测--Pelee: A Real-Time Object Detection System on Mobile Devices
AI小作坊 的博客
10-26 2720
Pelee: A Real-Time Object Detection System on Mobile Devices ICLR 2018 Code: https://github.com/Robert-JunWang/Pelee CNN模型在嵌入式设备中运行成为一种趋势，为此提出了一些模型如 MobileNet, ShuffleNet, and NASNet-A，他们主要依赖于 depth...
pelee SSD
jacke121的专栏
08-07 2651
pelee ssd： 性能测试： 416 1 68 ms 416 2 73 ms 416 4 101 ms 416 8 195 ms 416 16 380 ms 416 20 480 ms 416 24 570 ms 代码： http...
peleeNet
强化学习曾小健
08-10 737
1、Pelee分类网络 PeleeNet是一种基于Densenet的轻量化网络变体（variant），主要面向移动端部署。分类网络的结构改进包括以下五点： 1）Stem Block：实现输入图像空间维度的第一次降采样（stride=2）和通道数的增加。并且在不增加较多计算量的前提下，该模块能够确保较强的特征表达能力： 2）Two-Way Dense Layer：受Inception结构的启发，由两路分别捕捉不同尺度感受野信息的网络分支构成。第一路经过一层1x1卷积完成bottleneck之.
评论 2
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