為目標檢測技術開發(fā)的新人工智能框架
中國科學院合肥物理科學研究院(HFIPS)的研究人員提出了一種新的目標檢測人工智能框架，為快速、高精度的實時在線目標檢測提供了新的解決方案。
相關結果發(fā)表在ExpertSystemswithApplications中。
近年來，深度學習理論推動了人工智能技術的快速發(fā)展?；谏疃葘W習理論的目標檢測技術在許多工業(yè)應用中也取得了成功。目前的研究側重于提高目標檢測的速度或準確性，并沒有考慮到效率和準確性。如何實現(xiàn)快速準確的目標檢測成為人工智能領域的重要挑戰(zhàn)。
在這項研究中，研究人員發(fā)現(xiàn)基于深度學習的目標檢測技術的主要缺陷之一在于深度網(wǎng)絡結構的重復特征提取和融合，導致不必要的計算成本。
因此，他們提出了一種多輸入單輸出目標識別框架(MiSo)，它有別于傳統(tǒng)的多輸入多輸出模型，降低了模型復雜度和推理時間開銷。
此外，在此框架下，研究人員基于早先提出的eRF檢測理論，設計了三種新的學習機制來更準確、更高效地提取熱點特征信息，分別是感受野調整機制、殘差注意力自學習機制和eRF-基于動態(tài)平衡的采樣策略。
“我們將它們命名為M2YOLOF，”領導團隊的王宏強說，“它在一張?zhí)卣鲌D上檢測物體，在小物體上表現(xiàn)良好。它與YOLOF(YouOnlyLookOne-levelFeature)一樣快，但更準確。"
他們在標準數(shù)據(jù)集基準上進行了嘗試，并以每秒29幀的速度達到了39.2的平均精度(AP)。它比現(xiàn)有最先進的TridenNet-R50高2.6AP。
該方法為目標檢測的研究和工業(yè)應用提供了新的思路。
標簽：