《表4 不同的网络模型的优缺点及适用场景对比》
表3中分别比较了一阶段主流网络模型和轻量级的实时检测网络在MS COCO数据集上的平均精度均值以及计算量(MFLOPs)。从表2中可以看出,YOLO系列中,在输入尺度相同的情况下,最新提出的YOLOv4[38]使用比YOLOv3更少的参数量在MS COCO数据集上提升了10.5%的m AP。一阶段和两阶段的轻量级网络通过深度可分离卷积和网络结构的简化,使网络的计算量大幅度降低,如一阶段网络Tiny-DSOD以1.12×109次浮点运算实现了23.2%的m AP,Qin等人[5]提出的以SNet146作为主干网络的两阶段轻量级检测器Thunder Net,仅用Pelee Net[48]和Tiny-DSOD[43]40%的计算成本达到了23.7%的m AP。表4分析了各种实时目标检测网络模型的优缺点及适用场景,YOLO系列[36-38]的网络虽然检测速度和精度不断提升,但是模型变得更为复杂,对硬件的要求更高。其他轻量级网络[5,42-48,53]利用更小的卷积核,或者引入深度可分离卷积减少模型的计算量和参数量,使网络能够应用在运算能力有限和内存不足的移动设备上,如手机、无人机和自动驾驶汽车,但是模型仍存在一定的冗余。
图表编号 | XD00201572100 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.01 |
作者 | 罗会兰、彭珊、陈鸿坤 |
绘制单位 | 江西理工大学信息工程学院、江西理工大学信息工程学院、江西理工大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |