• 采购项目
  • 配套企业库
  • 销量查询
  • 盖世汽车社区
  • 「盖世课堂」车规级单芯片车内氛围灯解决方案
  • 全球自动驾驶云论坛
  • 2020第三届全球自动驾驶论坛
  • 2020全球首届软件定义汽车高峰论坛
  • 中国汽研-特斯拉
  • CTalk高端系列访谈
当前位置:首页 > 新技术 > 正文

谷歌开源AI工具EfficientDet 利用较少计算资源实现高效物体检测

盖世汽车 罗珊 2020-03-25 16:19:33
核心提示:在机器人和自动驾驶汽车等诸多现实世界应用中,物体检测模型尺寸和延迟受到高度限制。而谷歌大脑和谷歌AI团队开源了AI工具EfficientDet,以使用较少的计算资源实现最先进的物体检测。

盖世汽车讯 据外媒报道,近日,谷歌大脑和谷歌AI团队们开源AI工具EfficientDet。该工具可以使用较少的计算资源实现最先进的物体检测。该系统的创建者表示,与YOLO或AmoebaNet等其他物体检测模型相比,该系统与CPU或GPU一起使用时,还能实现更快的性能。

前瞻技术,自动驾驶,谷歌EfficientDet,物体检测,语义分割,自动驾驶

(图片来源:Google AI)

在进行另一项与物体检测相关的语义分割时,EfficientDet也表现出优异的性能。系统利用PASCAL使目标挑战数据集可视化,从而进行语义分割实验。

EfficientDet是EfficientNet的更新版本,该版本是去年为Coral单板计算机提供的一系列高级目标检测模型。谷歌工程师在去年秋天首次发表的一篇论文中详细阐述了EfficientDet,但近期对其进行了修改和更新。

该论文研究了用于物体检测的神经网络体系结构设计,论文中写道,“我们以优化准确性和效率为目标,希望开发一系列模型,以满足资源受限的应用需求。”作者表示,现有的缩放物体检测方法往往会牺牲准确性,或者会耗费大量资源。而EfficientDet使用成本更低、资源消耗更少的方法,“同时对所有骨干网、特征网络和box/class预测网络的分辨率、深度和宽度进行统一缩放”,将物体检测部署在边缘或云上。论文还写道,“在机器人和自动驾驶汽车等诸多现实世界应用中,模型尺寸和延迟受到高度限制,而巨大的模型尺寸和昂贵的计算成本导致上述模型很难部署。考虑到这些现实约束,目标检测模型的效率变得越来越重要。”

EfficientDet的优化灵感来自关于EfficientNet的研究,提出了骨干网和特征网的联合复合缩放方法。其中,双向特征金字塔网络(BiFPN)作为特征网络,经过ImageNet预训练的EfficientNet作为骨干网络。

EfficientDet通过删除只有一个输入边缘的节点来优化跨尺度连接,从而创建更简单的双向网络。EfficientDet还依赖单级探测器范式,这是一种以效率和简单著称的物体探测器。论文写道,“我们建议,在特征融合时为每个输入特征增加额外权重,让网络了解每个输入特征的重要性。”

*特别声明:本文为技术类文章,禁止转载或大篇幅摘录!违规转载,法律必究。

本文地址:https://auto.gasgoo.com/news/202003/25I70167222LC409.shtml

文章标签: 前瞻技术 自动驾驶

0

好文章,需要你的鼓励