MobileDets also outperform MobileNetV2+SSDLite by 1.9 mAP on mobile CPUs MnasFPN with MobileNet-V2 backbone...With depth-multiplier, MnasFPN with MobileNet-V2 backbone is 1.8 mAP higher than MobileNet-V3-Large with
SAPD:Soft Anchor-Point目标检测【11】MMOD:基于混合模型的目标检测边界框密度估计【12】IENet:方向性航空目标检测的One Stage Anchor Free检测器【13】MnasFPN...:https://arxiv.org/abs/1912.00969注:IENet用于旋转性边界框(OBB)的One Stage Anchor Free目标检测新网络IENet Head----【13】MnasFPN...:用于移动设备上目标检测的延迟感知的金字塔体系结构《MnasFPN: Learning Latency-aware Pyramid Architecture for Object Detection on...Le大佬)链接:https://arxiv.org/abs/1912.01106注:MnasFPN无论mAP还是FPS均优于MobileNetV3+SSDLite和NAS-FPNLiteIMnasFPN
arxiv.org/abs/1912.00969 注:IENet用于旋转性边界框(OBB)的One Stage Anchor Free目标检测新网络 IENet Head ---- 【13】MnasFPN...:用于移动设备上目标检测的延迟感知的金字塔体系结构 《MnasFPN: Learning Latency-aware Pyramid Architecture for Object Detection...Le大佬) 链接:https://arxiv.org/abs/1912.01106 注:MnasFPN无论mAP还是FPS均优于MobileNetV3+SSDLite和NAS-FPNLite
除此之外,在不采用FPN的情况下,在终端CPU平台,MobileDets与MnasFPN的性能相当;在EdgeTPU与DSP平台具有更优的mAP指标,同时推理速度快2倍。
前言 一周前 Amusi 整理了 目标检测(Object Detection)较为值得关注的论文: 一文看尽16篇目标检测最新论文(ATSS/MnasFPN/SAPD/CSPNet/DIoU Loss等...Le大佬) 链接:https://arxiv.org/abs/1912.05027 注:谷歌近期推出EfficientDet和MnasFPN后,今儿又推出SpineNet,基于RetinaNet,mAP
与此同时,在不采用FPN的情况下,在终端CPU平台,MobileDets取得了媲美MnasFPN的性能;在EdgeTPU与DSP平台具有更优的mAP指标,同时推理速度快2倍。...与此同时,在未采用NAS-FPN的条件下,取得了媲美此前终端SOTA方法MnasFPN的性能且具有更快的推理速度(在EdgeTPU、DSP上快2倍)。 ?...终端CPU: 在同等推理延迟下,MobileDet以1.7mAP指标优于MobileNetV3+SSDLite; 在不采用NAS-FPN中的head情况下,取得了媲美MnasFPN的性能。...DSP: MobileDet取得28.5mAP@12.ms的性能,以3.2mAP指标优于MobileNetV2+SSDLite; 以2.4mAP指标优于MnasFPN,同时具有更快的推理速度。
此外,MobileDets即使不使用金字塔也可以在移动cpu上媲美最先进的MnasFPN,并在EdgeTPUs和dsp上实现更好的mAP分数以及高达2倍的加速。...MnasFPN是移动检测模型的一个强大的检测NAS Baseline,它使用对移动友好的搜索空间搜索特征金字塔,极大地利用了深度可分离卷积。...但是一九八存在几个因素限制了它在移动加速器上的推广: 到目前为止,深度卷积和特征金字塔在这些平台上都没有得到很好的优化, MnasFPN不搜索backbone,这是延迟的瓶颈。
前言 近期目标检测论文真的巨多,大家可以看这篇文章感受一下:一文看尽16篇目标检测最新论文(ATSS/MnasFPN/SAPD/CSPNet/DIoU Loss等) 其实很多同学并没有时间看论文
Detection)较为值得关注的论文: 一文看尽10篇目标检测最新论文(SpineNet/AugFPN/LRF-Net/SABL/DSFPN等) 一文看尽16篇目标检测最新论文(ATSS/MnasFPN
MnasFPN: Learning Latency-Aware Pyramid Architecture for Object Detection on Mobile Devices 作者 | Bo Chen
领取专属 10元无门槛券
手把手带您无忧上云