[论文解读] Slim-neck by GSConv: A lightweight-design for real-time detector architectures

Hu-Lin Li, Jun Li+4 more|arXiv (Cornell University)|Jun 6, 2022

Advanced Neural Network Applications参考文献 44被引用 257

一句话总结

引入 GSConv，一种轻量卷积技术，以及 Slim-Neck 设计，通过在精度和速度之间取得平衡，提升边缘设备上的实时检测器，在 SODA10M 上取得强劲结果。

ABSTRACT

Real-time object detection is significant for industrial and research fields. On edge devices, a giant model is difficult to achieve the real-time detecting requirement and a lightweight model built from a large number of the depth-wise separable convolutional could not achieve the sufficient accuracy. We introduce a new lightweight convolutional technique, GSConv, to lighten the model but maintain the accuracy. The GSConv accomplishes an excellent trade-off between the accuracy and speed. Furthermore, we provide a design suggestion based on the GSConv, Slim-Neck (SNs), to achieve a higher computational cost-effectiveness of the real-time detectors. The effectiveness of the SNs was robustly demonstrated in over twenty sets comparative experiments. In particular, the real-time detectors of ameliorated by the SNs obtain the state-of-the-art (70.9% AP50 for the SODA10M at a speed of ~ 100FPS on a Tesla T4) compared with the baselines. Code is available at https://github.com/alanli1997/slim-neck-by-gsconv

研究动机与目标

• 在计算和内存受限的边缘设备上激励实时目标检测。
• 提出 GSConv 作为一种在降低成本的同时保持精度的轻量卷积。
• 引入 Slim-Neck（SNs）作为提升检测器计算效率的设计准则。
• 在大量与实时检测器的对比实验中展示效果。

提出的方法

• 将 GSConv 作为一种在轻量化与精度之间取得平衡的轻量卷积技术。
• 提出 Slim-Neck（SNs）作为一种实用的架构设计，以提升检测器的效率。
• 在二十多项对比实验中提供实证评估。

实验结果

研究问题

• RQ1 GSConv 能在显著降低计算成本的同时保持或提升检测精度吗？
• RQ2 Slim-Neck 设计是否在不同数据集和硬件上持续提升实时检测器的性能？
• RQ3 在边缘设备上使用 GSConv 和 SNs 的检测器可以达到的速度/精度权衡是什么？
• RQ4 SNs 设计与实时检测器的基线颈部架构相比如何？

主要发现

• GSConv 在保持准确性的同时减轻模型负担，从而实现高效的实时检测。
• SNs 设计为实时检测器带来更高的计算成本效益。
• 在实验中，结合 GSConv 的 SNs 增强检测器取得了强劲结果，例如在 SODA10M 上达到 70.9% 的 AP50，约 100 FPS，使用 Tesla T4。
• 该方法在二十多项对比实验中显示出鲁棒性。
• 在所评估的基准上，该工作报告了给定设定下的最先进性能。