基于深度卷积神经网络的嵌入式低复杂度目标检测( Low-complexity object detection with deep convolutional neural network for embedded systems )

B Kang S Tripathi Gke Dane T Nguyen

我们研究了低复杂度卷积神经网络(CNNs)，用于嵌入式视觉应用中的目标检测。众所周知，与图像分类等问题相比，基于CNN的目标检测嵌入式系统的合并由于计算量和内存需求而更具挑战性。为了实现这些要求，我们设计并开发了一个基于TensorFlow(TF)的端到端的全卷积深度神经网络用于一般目标检测任务，该网络借鉴了最快的框架之一Yolo.1。该网络像Yolo一样，通过回归相应的包围盒坐标来预测每个目标的定位。因此，网络能够检测任何对象而不受对象大小的任何限制。然而，与YOLO不同的是，所提出的网络中的所有层都是完全卷积的。因此，它能够拍摄任何大小的输入图像。我们选择人脸检测作为一个用例。我们在FDDB数据集和Widerface数据集上对所提出的人脸检测模型进行了评估。作为一般对象检测的另一个用例，我们在PASCAL VOC数据集上评估了它的性能。实验结果表明，该网络能够在一帧内预测不同大小和姿态的目标实例。实验结果表明，与现有的基于CNN的目标检测方法相比，该方法具有较高的精度，而与目前最优秀的实时基于CNN的目标检测器之一YOLO相比，模型体积减少了3×，内存容量减少了3×4×.我们的8位定点TF模型提供了额外的4×内存减少，同时保持了接近浮点模型的精确度。此外，定点模型的推理速度比浮点模型快20倍。因此，该方法在嵌入式实现中具有良好的应用前景。

SciDown文献求助系统（解决99%问题） Public Download adsabs.harvard.edu ResearchGate spiedigitallibrary.org