.png){kind=icon}
返回
Enhancing Pruning Efficiency via Maximum Prunable Channel Selection in Tiny Object Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-3052-6_14.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
微小目标检测因固有特征分辨率低和上下文信息不足等问题，在计算机视觉中面临重大挑战。尽管模型剪枝已成为压缩深度神经网络的关键技术，但现有稀疏正则化方法往往难以在保持检测精度的同时实现高剪枝率，尤其是在YOLO架构中。本文提出了一种新颖的最大可剪枝通道选择（MPCS）算法，用于解决YOLOv12模型在微小目标检测中的剪枝稀疏性问题。首先，我们分析了传统稀疏诱导方法的约束，并发现固定正则化策略会导致次优的通道级稀疏分布。为解决此问题，引入了一种余弦退火伽马调度机制，以动态调整稀疏率，实现层级的平衡正则化。随后，MPCS算法通过选择性地识别并消除具有最大可剪枝分数的冗余通道，从而将稀疏约束与剪枝过程解耦。在TinyPerson和Visdrone基准数据集上的实验表明，相较于传统方法，本方法在模型剪枝率上提升了10%，同时保持了稳定的检测精度。所提方法为在资源受限场景下部署轻量且高精度的检测器提供了实用解决方案。
Keyword:
Channel Pruning
Model Compression
Channel Selection Algorithm
YOLOv12
期刊
K
IF:
0
论文数:
30
被引数:
0
机构
引用论文
VisDrone-DET2021: The Vision Meets Drone Object detection Challenge ResultsVisDrone-DET2021: 视觉符合无人机目标检测挑战结果
PREAI
分享收藏Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测
OAAI
OAAI分享收藏Embedded YOLO v8: Real-time detection of sugarcane nodes in complex natural environments by rapid structural pruning method.png)
MEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏Detection of coal gangue by YOLO deep learning method based on channel pruning基于通道剪枝的YOLO深度学习方法对煤矸石的检测
PREAI
分享收藏CAP-YOLO: Channel Attention Based Pruning YOLO for Coal Mine Real-Time Intelligent MonitoringCap-yolo: 煤矿实时智能监控中基于信道注意力的剪枝YOLOSENSORSOAAI
SENSORSIF3.5
OAAI分享收藏分享收藏
查看更多内容