返回
PDNet by Partial Deep Convolution: A Better Lightweight Detector
DOI:10.3390/electronics14030591.png)
摘要
En 中文
模型轻量化在边缘计算和移动设备中具有重要意义。当前关于快速网络设计的研究主要集中于模型计算压缩和加速。许多模型旨在通过处理冗余特征图来压缩模型。然而,这些方法大多选择通过简单操作保留特征图,并未有效减少冗余特征图。本文提出了一种新的卷积模块PDConv,通过压缩冗余特征图来降低网络复杂度,并通过增加网络宽度来保持精度。PDConv(Partial Deep Convolution)在处理冗余特征图方面优于传统方法,尤其在深度网络中表现突出。其FLOPs与深度可分离卷积相当,但精度更高。本文提出了PDBottleNeck和PDC2f(Partial Deep CSPDarknet53 to 2-Stage FPN),并构建了轻量级网络PDNet,使用PASCAL VOC数据集进行实验验证。与流行的HorNet相比,本方法在FLOPs上实现了超过25%的提升,在mAP50:95精度上提升了1.8%。在CoCo2017数据集上,本方法的大规模PDNet在mAP75上实现了0.5%的提升,且FLOPs低于最新的RepVit。
Keyword:
PDConv
PDNet
lightweight
object detection
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
引用论文
ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile DevicesShuffleNet: 一种用于移动设备的极其高效的卷积神经网络
ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture DesignShuffleNet V2: 高效CNN架构设计的实用指南

