SSD7 | 對嵌入式友好的目標檢測網(wǎng)絡(luò )，產(chǎn)品落地

在現在人工智能化時(shí)代，幼兒園也是一個(gè)眾多家長(cháng)關(guān)注的教育機構，在幼兒園小孩的安全是獨一，在人工智能監控下，絕對保障了所有兒童的安全！

一、簡(jiǎn)要

對計算和內存的高需求是將現有目標檢測網(wǎng)絡(luò )部署到嵌入式設備中的最大挑戰?，F有的輕量級目標檢測器直接使用輕量級神經(jīng)網(wǎng)絡(luò )架構，如MobileNet或在大尺度分類(lèi)數據集上預先訓練，導致網(wǎng)絡(luò )結構靈活性差，不適用于某些特定場(chǎng)景。

在今天分享中，有研究者提出了一種輕量級目標檢測網(wǎng)絡(luò )Single-Shot MultiBox Detector(SSD)7種特征融合和注意機制(FFAM)，該網(wǎng)絡(luò )通過(guò)減少卷積層數，節省了存儲空間，減少了計算量。研究者有提出了一種新的特征融合和注意機制(FFAM)方法來(lái)提高檢測精度。首先，FFAM方法將高級語(yǔ)義信息豐富的特征圖與低級特征圖進(jìn)行融合，提高了小目標的檢測精度。采用由通道和空間注意模塊級聯(lián)的輕量級注意機制，增強目標的上下文信息，引導網(wǎng)絡(luò )關(guān)注其易于識別的特征。

在NWPU VHR-10數據集上，SSD7-FFAM實(shí)現了83.7%的mAP、1.66MB參數和0.033s的平均運行時(shí)間。結果表明，該SSD7-FFAM更適合于部署到嵌入式設備上進(jìn)行實(shí)時(shí)目標檢測。

如果這種技術(shù)應用在現在的幼兒園，再和行為識別共同作用，是不是就可以保障小孩子的安全及行跡跟蹤。

二、背景及動(dòng)機

近年來(lái)，對可應用于嵌入式設備的輕量級目標檢測網(wǎng)絡(luò )的研究吸引了越來(lái)越多的研究者。不同的人工設計的輕量級神經(jīng)網(wǎng)絡(luò )架構已被用于目標檢測，如谷歌提出的輕量級網(wǎng)絡(luò )架構MobileNet，它使用深度可分離卷積而不是標準卷積。Face++通過(guò)逐點(diǎn)群卷積核信道變換技術(shù)，提出了ShuffleNet。

由Iandola等人介紹的SqueezeNet，它由兩個(gè)部分組成，一個(gè)壓縮層（壓縮)和一個(gè)膨脹層（膨脹），通過(guò)減少壓縮層中的通道數，減少了整個(gè)模型所需的計算量。AF-SSD應用了MobileNetV2和額外的卷積層，以ShuffleNetV2和深度可分離卷積作為輕量級主干。實(shí)驗結果表明，AF-SSD是一種快速、準確、參數較少的檢測器。許多其他研究表明，使用這些輕量級網(wǎng)絡(luò )作為主干的目標探測器取得了最先進(jìn)的結果。然而，這些輕量級網(wǎng)絡(luò )在使用它們作為目標檢測的主干網(wǎng)絡(luò )之前，需要在通用數據集如ImageNet上進(jìn)行預訓練。預訓練通常在一般圖像分類(lèi)任務(wù)的數據集上進(jìn)行，因此很難將它們移植到特定的應用場(chǎng)景中，如醫學(xué)圖像檢測。同時(shí)，這些預訓練的網(wǎng)絡(luò )模型具有大量的參數和固定的結構，使得難以?xún)?yōu)化。

Single-Shot MultiBox Detector 

Single-Stage Detectors代表之一——SSD

Deep Feature Fusion

特征融合就有很多類(lèi)似的案例，我們今天就不專(zhuān)門(mén)講解了！

三、新框架

Specific Structure of SSD7-FFAM

上圖就描述了提出的SSD7-FFAM的具體結構。在SSD中，由VGG提取的特征圖和附加卷積層分別用于目標的定位和分類(lèi)。然而，初始的淺層特征圖缺乏重要的語(yǔ)義信息，這個(gè)問(wèn)題導致檢測精度低于兩級檢測器。因此，SSD不利于對小物體的檢測。

與SSD7不同的是，所提出的SSD7-FFAM采用了兩個(gè)新的模塊：特征融合模塊和基于SSD7的注意模塊，以彌補由于卷積層的下降所導致的檢測精度的降低。特征融合模塊將兩個(gè)不同尺度的特征圖組合成轉換后的新的特征圖。該模塊增強了淺層特征圖的語(yǔ)義信息。注意模塊是一個(gè)結合了通道注意和空間注意的輕量級模塊。它顯著(zhù)地提高了網(wǎng)絡(luò )性能，同時(shí)提供了少量的計算和參數。

Feature Fusion Module

上圖顯示了SSD7-FFAM中使用的特征融合模塊結構示例。新的Conv4特征圖與其他兩個(gè)特征圖一起傳遞到注意模塊。

Attention Module

   Channel Attention Module

    Spatial Attention Module

[Paying more attention to attention: Improving the performance of convolutional neural networks via attention transfer. In Proceedings of the ICLR 2017]的作者指出，通道維度中的合并操作可以突出顯示特征圖的信息區域。在通道注意模塊之后，研究者引入了一個(gè)空間注意模塊，以關(guān)注特征有意義的地方。

與信道注意類(lèi)似，鑒于信道注意模塊之后的特征圖F0，空間注意模塊首先執行信道尺寸的平均池化和最大池化，以獲得兩個(gè)H×W×1信道特征，并根據信道將這兩個(gè)特征縫合在一起。然后，在7×7卷積層后得到權重系數MS，激活函數為sigmoid?？臻g注意模塊如上圖b所示，計算結果為：

四、實(shí)驗及分析

在NWPU VHR-10數據集上的測試結果

For each pair, the left (a,c,e) is the original image and right (b,d,f) is the result of the SSD7-FFAM. Each color corresponds to an object category in that image.

在VOC數據上的結果，如下表：

不同平均運行時(shí)間：