抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
DeneNetは,高密度接続によりそれらを集約することにより,多様な受容野を持つ中間特徴を保存するので,オブジェクト検出タスクにおいて良好な性能を示す。特徴再利用により,DenseNetは少数のモデルパラメータとFLOPSを持つ強い特徴を生成することができるが,DenseNetバックボーンを持つ検出器はかなり遅い速度と低いエネルギー効率を示す。高密度接続により線形に増加する入力チャネルが,計算オーバーヘッドとより多くのエネルギー消費を引き起こす,重いメモリアクセスコストをもたらすことを見出した。DenseNetの非効率性を解決するために,著者らはエネルギーと計算効率の良いアーキテクチャを提案した。それはOne-Shot Aggregation(OSA)から成るVoVNetと呼ばれる。OSAは,複数の受容場を持つ多様な特徴を表すDenseNetの強度を採用するだけでなく,最後の特徴マップにおいて一度だけ,すべての特徴を集約することにより,密な接続の非効率性を克服する。バックボーンネットワークとしてのVoVNetの有効性を検証するために,軽量で大規模なVoVNetを設計し,それらを1段階と2段階の物体検出器に適用した。著者らのVoVNetベースの検出器は,2つのより速い速度を持つDenseNetベースの検出器より性能が優れており,エネルギー消費量は1.6~4.1倍低減される。DenseNetに加えて,VoVNetは,より速い速度とより良いエネルギー効率で,広く使用されているResNetバックボーンよりも性能が優れている。特に,小オブジェクト検出性能はDenseNetとResNet上で著しく改善された。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】