【论文阅读笔记】Pelee: A Real-Time Object Detection System on Mobile Devices

Pelee: A Real-Time Object Detection System on Mobile Devices

• （一）论文地址：
• （二）核心思想：
• （三）双向密集层：
• （四）基线模块：
• （五）瓶颈层通道数的动态调整：
• （六）无需压缩的过渡层：
• （七）复合函数：
• （八）特征图选择：
• （九）残差预测模块：
• （十）小尺寸卷积核用于预测：
• （十一）PeeleNet网络架构：
• （十二）实验结果：

（这篇论文的作者的思路是真滴很清晰）

（一）论文地址：

https://arxiv.org/abs/1804.06882

（二）核心思想：

在2016年，作者成功开发了轻量级图像识别网络PeeLeNet，该网络以基于DenseNet的架构著称，相较于MobileNet在保持轻量特性的同时显著提升了识别精度。在此基础之上，作者构建了PeeLeNet作为目标检测任务的Backbone模块，以解决传统方法中过多依赖深度wise卷积所带来的未能充分提取特征信息的问题。

（三）Two-Way Dense Layer：

该方法基于 GoogleNet 网络的结构，在原有 dense layer 结构上增加了额外的通道。

其中，第二层通道采用了2层3×3卷积。这使得该网络相较于原来的结构具有更大的感受野，从而能够更有效地检测到较大的目标。

（四）Stem Block：

基于 InceptionV4 和 DSOD 网络结构的设计理念，作者在引入第一个 Dense Layer 之前，首先开发了一个高效的主要网络架构。在保持网络计算复杂度显著不变的情况下，显著提升了网络的特征表征能力。

（五）Dynamic number of channels in bottleneck layer：

值得注意的是，瓶颈层的通道数量会根据输入维度的变化进行调整，以确保输出通道的数量不会超过预期。

相较于原始的DenseNet架构，该方法在降低计算资源消耗的同时，对分类精度的影响较小；

（六）Transition Layer without Compression：

作者在试验中观察到，DenseNet方法通过减少Transition Layer中的通道数量来压缩特征表达能力，因此主张在Transition Layer中，输出通道数量应与输入层保持一致。

（七）Composite Function：

为了优化系统的运行效率，作者采用了以下复合函数作为预激活层：

Convolution - Batch Normalization - Relu

在DenseNet的后置激活过程中，所有Batch Normalization在推理阶段（中间层）与卷积层集成，显著提升了运行速度。

为了解决该问题，作者采用了单层的宽的网络结构，并在每个Dense Block之后增加一个1×1的卷积层，从而提升了特征表达能力。

（八）Feature Map Selection：

与 SSD 不同的是，作者采用了 19×19、10×10、5×5、3×3 和 1×1 大小的五个特征层，而非采用 38×38 大小的特征层，从而有效降低计算负担。

（九）Residual Prediction Block：

作者在每个特征层用于检测前，增加了一个 ResBlock 模块；

（十）Small Convolutional Kernel for Prediction：

与现有网络相比，本方法采用了 3×3 卷积结构。与现有网络相比，本方法改用 1×1 卷积结构，在准确率几乎持平的前提下，计算开销减少了 21.5%。

（十一）PeleeNet 的网络结构：

（十二）实验结果：