文献

J-GLOBAL ID：202002246448714676   整理番号：20A1961284

Slim-SSD:効率的な高速オブジェクト検出法【JST・京大機械翻訳】

Slim-SSD: An Efficient Fast Object Detection Method

著者 (3件)： Donglin Jing (Beijing Institute of Technology) ,  Tang Linbo (Beijing Institute of Technology) ,  Zhao BaoJun (Beijing Institute of Technology)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： MIPR  ページ： 326-329  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： オブジェクト検出ネットワークは,大きな記憶空間と高い計算コストを必要とし,実際の物体検出タスクにおいて,限られたメモリとコンピューティング資源を有する組込みデバイス上に,深いニューラルネットワークを展開するのは難しい。これらの課題を解決するため,ネットワークの特徴抽出層の枝刈りチャネルによる効率的な物体検出フレームワークを提案した。最初に,L1正則化をBN層のチャネルスケール因子に適用し,スパース構造の物体検出ネットワークを得た。次に,オブジェクト検出フレームワークを得るために,より少ない情報でチャネルをトリムした。この方法に基づき,著者らは,より少ない訓練可能パラメータおよび試験時間を有するSlim-SSDを得た。ベンチマークに関する著者らの実験は,オリジナルネットワークによる近似精度に基づいて,著者らは3xによってモデルパラメータの数を減らして,2xによって試験時間を減らしたことを示した。この圧縮法は,資源制約付き組込みプラットフォーム上の複雑な物体検出ネットワークを展開するのに役立つ。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】

シソーラス用語： 記憶装置 ,  *ネットワーク ,  ニューラルネットワーク ,  特徴抽出 ,  トリム ,  正則化 ,  チャネル ,  ベンチマーク ,  スケール因子
準シソーラス用語： モデルパラメータ ,  *物体検出 ,  計算コスト ,  資源制約 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (2件)： SSD ,  オブジェクト検出