Fast YOLO：用於實時嵌入式目標檢測（附論文下載）

公眾號ID ｜ ComputerVisionGzq

學習群 ｜ 掃碼在主頁獲取加入方式

計算機視覺研究院專欄

作者：Edison_G

目標檢測被認為是計算機視覺領域中最具挑戰性的問題之一，因為它涉及場景中物件 分類和物件定位的組合。今天分享這個框架有點陳舊，但精髓！

一、前言

目標檢測被認為是計算機視覺領域中最具挑戰性的問題之一 ，因為它涉及場景中物件分類和物件定位的組合。最近，與其他方法相比，深度神經網路 (DNN) 已被證明可以實現卓越的目標檢測效能，其中YOLOv2是基於DNN的最先進技術之一。

目標檢測方法在速度和準確性方面。儘管YOLOv2可以在強大的GPU上實現實時效能，但在計算能力和記憶體有限的嵌入式計算裝置上利用這種方法進行視訊中的實時目標檢測仍然非常具有挑戰性。

二、概要

在今天分享中，有研究者提出了一個名為 Fast YOLO 的新框架，這是一個快速的You Only Look Once框架，它可以加速YOLOv2以便能夠以實時方式在嵌入式裝置上執行視訊中的目標檢測。

首先，利用進化深度智慧框架來進化YOLOv2網路架構，併產生一個優化的架構（這裡稱為O-YOLOv2），其 引數減少了2.8倍 ， IOU下降了約2% 。為了在保持效能的同時進一步降低嵌入式裝置的功耗，在提出的Fast YOLO框架中引入了一種 運動自適應推理方法 ，以降低基於時間運動特性的O-YOLOv2深度推理的頻率。實驗結果表明，與原始YOLOv2相比，所提出的Fast YOLO框架可以將 深度推理的數量平均減少38.13% ， 視訊中目標檢測的平均加速約為3.3倍 ，導致Fast YOLO執行在Nvidia Jetson TX1嵌入式系統上平均約為18FPS。

三、新框架

提出的Fast YOLO框架分為兩個主要部分：i）優化的YOLOv2架構，以及ii運動自適應推理（見上圖）。對於每個視訊幀，由帶有參考幀的視訊幀組成的影象堆疊被傳遞到1×1卷積層。卷積層的結果是一個運動概率圖，然後將其送入運動自適應推理模組以確定是否需要深度推理來計算更新的類概率圖。正如介紹中提到的，主要目標是引入一個視訊中的目標檢測框架，該框架可以在嵌入式裝置上更快地執行，同時減少資源使用，從而顯著降低功耗。通過利用這種運動自適應推理方法，深度推理的頻率大大降低，並且僅在必要時執行。

深度神經網路的主要挑戰之一，尤其是在將它們用於嵌入式場景時，是網路架構設計。設計過程通常由人類專家執行，他探索大量網路配置，以在建模精度和引數數量方面為特定任務找到最佳架構。尋找優化的網路架構目前通常作為超引數優化問題來解決，但這種解決問題的方法非常耗時，而且大多數方法對於大型網路架構來說要麼在計算上難以處理，要麼導致次優解決方案不夠嵌入式使用。

例如，超引數優化的一種常用方法是網格搜尋，其中檢查大量不同的網路配置，然後選擇最佳配置作為最終的網路架構。然而，為視訊中的目標檢測而設計的深度神經網路（如YOLOv2）具有大量引數，因此在計算上難以搜尋整個引數空間以找到最佳解決方案。

因此，研究者沒有利用超引數優化方法來獲得基於YOLOv2的最佳網路架構，而是利用專為提高網路效率而設計的網路優化策略。特別是，研究者利用進化深度智慧框架來優化網路架構，以合成滿足嵌入式裝置記憶體和計算能力限制的深度神經網路。