论文地址：https://arxiv.org/abs/2004.14525
来源：威斯康星大学，谷歌
论文名称：MobileDets: Searching for Object Detection Architectures for Mobile Accelerators
原文作者：Yunyang Xiong
在移动终端设备上，目前SOTA的目标检测模型的主要构建模块是基于深度卷积的Inverted bottleneck layers。在本文中，通过研究卷积来探讨Invertedbottleneck layers设计模式在广泛的移动加速器上的性能。通过在搜索空间中加入常规卷积，并通过神经结构搜索将其有效地放置在网络中，获得了一个目标检测模型——MobileDets，在延迟-准确性均衡方面取得了实质性的改进，实现了移动加速器的泛化SOTA。在COCO目标检测任务上，基于同等终端CPU推理延迟，MobileDets性能优于MobileNetV3 SSDLite 1.7mAP，以1.9mAP性能优于MobileNetV2 SSDLite；在EdgeTPU平台上，以3.7mAP性能优于MobileNetV2 SSDLite并且推理更快;在DSP平台上，以3.4mAP性能优于MobileNetV2 SSDLite且推理更快。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。
下面是论文具体框架结构以及实验结果：
声明：文章来自于网络，仅用于学习分享，版权归原作者所有。
