基于反残差结构的轻量级多目标检测网络

刘万军; 高明月; 曲海成; 刘腊梅

doi:doi:10.3788/LOP56.221003

激光与光电子学进展, 2019, 56 (22): 221003, 网络出版: 2019-11-02

基于反残差结构的轻量级多目标检测网络下载： 1088次

Light-Weight Multi-Object Detection Network Based on Inverted Residual Structure

刘万军高明月曲海成 ^*刘腊梅

作者单位

辽宁工程技术大学软件学院, 辽宁葫芦岛 125105

图 & 表

图 1. 深度可分离卷积解耦过程图。(a)标准卷积;(b)深度可分离卷积

Fig. 1. Decoupling process of the depth separable convolution. (a) Standard convolution; (b) depth separable convolution

下载图片查看原文

图 2. 残差结构与反残差结构。(a)残差结构;(b)步长为1的反残差结构

Fig. 2. Residual block and inverted residual block. (a) Residual block; (b) inverted residual block when stride is 1

下载图片查看原文

图 3. IR-YOLO网络框架

Fig. 3. IR-YOLO network architecture

下载图片查看原文

图 4. 训练损失图

Fig. 4. Train loss curves

下载图片查看原文

图 5. 检测精度直方图

Fig. 5. Class detection accuracy histogram

下载图片查看原文

图 6. 实验效果对比。(a)(d)原始输入图像;(b)(e) YOLOv3-Tiny模型检测结果;(c)(f) IR-YOLO模型检测结果

Fig. 6. Comparison of detection results. (a)(d) Original input images ; (b)(e) detection results with YOLOv3-Tiny Model; (c)(f) detection results with IR-YOLO Model

下载图片查看原文

表 1反残差块参数

Table1. Parameters of inverted residual block

Input	Operation	Output
h×w×k	1×1 pointconv, ReLU	h×w×2k
h×w×2k	3×3/sdepth conv, ReLU	$\begin{matrix} \frac{h}{s} \end{matrix}$ × $\begin{matrix} \frac{w}{s} \end{matrix}$ ×2k
$\begin{matrix} \frac{h}{s} \end{matrix}$ × $\begin{matrix} \frac{w}{s} \end{matrix}$ ×2k	1×1 pointconv, linear	$\begin{matrix} \frac{h}{s} \end{matrix}$ × $\begin{matrix} \frac{w}{s} \end{matrix}$ ×2k

查看原文

表 2VOC数据集

Table2. VOC dataset

Category	Train set	Test set
Aeroplane	1171	285
Bicycle	1064	337
Bird	1605	459
Boat	1140	263
Bottle	1764	469
Bus	822	213
Car	3267	1201
Cat	1593	358
Chair	3152	756
Cow	847	244
Dining table	824	206
Dog	2025	489
Horse	1072	348
Motor bike	1052	325
Person	13256	4528
Potted plant	1487	480
Sheep	1070	242
Sofa	814	239
Train	925	282
TV monitor	1108	308
Total	40058	12032

查看原文

表 3超参数

Table3. Hyper parameters

Parameters name	Value
Batch	64
Momentum	0.9
Weight decay	0.0005
Learning rate	0.001

查看原文

表 4浮点运算次数对比

Table4. Comparison on number of floating point operations

Input	Output	Number of floatingpoint operations instandard conv /10⁹	Number of floating pointoperations in inverted residual block /10⁹
Input	Output	Number of floatingpoint operations instandard conv /10⁹	Expand point conv	Depth conv	Squeeze point conv
208×208×16	208×208×32	0.399	0.044	0.025	0.089
104×104×32	104×104×64	0.399	0.044	0.012	0.089
52×52×64	52×52×128	0.399	0.044	0.006	0.089
26×26×128	26×26×256	0.399	0.044	0.003	0.089
13×13×256	13×13×512	0.399	0.044	0.002	0.089
13×13×512	13×13×1024	1.595	0.177	0.003	0.354

查看原文

表 5IR-YOLO模型与YOLOv3-Tiny模型检测速度对比

Table5. Comparison detection speed of IR-YOLO model and YOLOv3-Tiny model

Model	CPU speed /(frame·s^-1)	GPU speed /(frame·s^-1)
YOLOv3-Tiny	1.2	31.3
IR-YOLO	1.7	31.2

查看原文

表 6不同训练次数mAP对比

Table6. Comparison mAP of different training numbers

Trainingnumber	YOLOv3-TinymAP /%	IR-YOLOmAP /%
65000	45.15	43.33
75000	45.60	44.37
85000	45.17	45.23
90000	42.75	44.20
95000	42.76	46.07

查看原文

表 7IR-YOLO模型与YOLOv3-Tiny模型在VOC数据集上检测结果对比

Table7. Comparison of detection results of IR-YOLO and YOLOv3-Tiny on VOC dataset%

Category	YOLOv3-Tiny	IR-YOLO
Aeroplane	54.78	56.38
Bicycle	60.79	57.86
Bird	27.24	28.19
Boat	27.9	28.92
Bottle	14.8	17.58
Bus	56.98	58.48
Car	63.8	64.05
Cat	50.39	53.57
Chair	25.77	23.25
Cow	46.43	45.48
Dining table	39.66	45.48
Dog	46.09	45.68
Horse	66.62	62.45
Motor bike	64.09	62.85
Person	59.23	59.4
Potted plant	18.22	17.22
Sheep	47.57	44.68
Sofa	39.39	43.11
Train	54.02	58.25
TV monitor	50.34	48.62
mAP	45.60	46.07

查看原文

刘万军, 高明月, 曲海成, 刘腊梅. 基于反残差结构的轻量级多目标检测网络[J]. 激光与光电子学进展, 2019, 56(22): 221003. Wanjun Liu, Mingyue Gao, Haicheng Qu, Lamei Liu. Light-Weight Multi-Object Detection Network Based on Inverted Residual Structure[J]. Laser & Optoelectronics Progress, 2019, 56(22): 221003.

基于反残差结构的轻量级多目标检测网络下载： 1088次

图 1. 深度可分离卷积解耦过程图。(a)标准卷积;(b)深度可分离卷积

Fig. 1. Decoupling process of the depth separable convolution. (a) Standard convolution; (b) depth separable convolution

图 2. 残差结构与反残差结构。(a)残差结构;(b)步长为1的反残差结构

Fig. 2. Residual block and inverted residual block. (a) Residual block; (b) inverted residual block when stride is 1

图 3. IR-YOLO网络框架

Fig. 3. IR-YOLO network architecture

图 4. 训练损失图

Fig. 4. Train loss curves

图 5. 检测精度直方图

Fig. 5. Class detection accuracy histogram

图 6. 实验效果对比。(a)(d)原始输入图像;(b)(e) YOLOv3-Tiny模型检测结果;(c)(f) IR-YOLO模型检测结果

Fig. 6. Comparison of detection results. (a)(d) Original input images ; (b)(e) detection results with YOLOv3-Tiny Model; (c)(f) detection results with IR-YOLO Model

表 1反残差块参数

Table1. Parameters of inverted residual block

表 2VOC数据集

Table2. VOC dataset

表 3超参数

Table3. Hyper parameters

表 4浮点运算次数对比

Table4. Comparison on number of floating point operations

表 5IR-YOLO模型与YOLOv3-Tiny模型检测速度对比

Table5. Comparison detection speed of IR-YOLO model and YOLOv3-Tiny model

表 6不同训练次数mAP对比

Table6. Comparison mAP of different training numbers

表 7IR-YOLO模型与YOLOv3-Tiny模型在VOC数据集上检测结果对比

Table7. Comparison of detection results of IR-YOLO and YOLOv3-Tiny on VOC dataset%

关于本站 Cookie 的使用提示

全站搜索

基于反残差结构的轻量级多目标检测网络 下载： 1088次

图 1. 深度可分离卷积解耦过程图。(a)标准卷积;(b)深度可分离卷积

Fig. 1. Decoupling process of the depth separable convolution. (a) Standard convolution; (b) depth separable convolution

图 2. 残差结构与反残差结构。(a)残差结构;(b)步长为1的反残差结构

Fig. 2. Residual block and inverted residual block. (a) Residual block; (b) inverted residual block when stride is 1

图 3. IR-YOLO网络框架

Fig. 3. IR-YOLO network architecture

图 4. 训练损失图

Fig. 4. Train loss curves

图 5. 检测精度直方图

Fig. 5. Class detection accuracy histogram

图 6. 实验效果对比。(a)(d)原始输入图像;(b)(e) YOLOv3-Tiny模型检测结果;(c)(f) IR-YOLO模型检测结果

Fig. 6. Comparison of detection results. (a)(d) Original input images ; (b)(e) detection results with YOLOv3-Tiny Model; (c)(f) detection results with IR-YOLO Model

表 1反残差块参数

Table1. Parameters of inverted residual block

表 2VOC数据集

Table2. VOC dataset

表 3超参数

Table3. Hyper parameters

表 4浮点运算次数对比

Table4. Comparison on number of floating point operations

表 5IR-YOLO模型与YOLOv3-Tiny模型检测速度对比

Table5. Comparison detection speed of IR-YOLO model and YOLOv3-Tiny model

表 6不同训练次数mAP对比

Table6. Comparison mAP of different training numbers

表 7IR-YOLO模型与YOLOv3-Tiny模型在VOC数据集上检测结果对比

Table7. Comparison of detection results of IR-YOLO and YOLOv3-Tiny on VOC dataset%

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于反残差结构的轻量级多目标检测网络下载： 1088次