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。
自動物体検出に対して達成されたブレークスルー深層学習性能にもかかわらず,小さなターゲット検出は,特に,モバイルまたはエッジアプリケーションに適した高速で正確な解を探すとき,依然として挑戦的な問題である。本研究では,小型ターゲット検出のための簡単,高速かつ効率的なネットワークであるYOLO-Sを提案した。アーキテクチャは,Darknet20に基づく小さな特徴抽出器と,スキップ接続を,バイパスと連結の両方を通して,また,消失勾配問題を軽減するために再形状通過層を利用して,ネットワークを通して特徴再利用を促進して,より意味のある高レベル情報によって低レベル位置情報を結合させた。YOLO-Sの性能を検証するために,ヨーロッパで取得したcAr検出のための新しいデータセットである「AIRES」を構築し,AIRESとVEDAIデータセットの両方で実験を行い,このアーキテクチャを4つのベースライン検出器でベンチマークした。さらに,転送学習戦略を扱うとき,データ不足とドメインギャップの課題を効率的に処理するために,DOTAv2とVEDAIに基づく組合せデータセット上の遷移学習タスクを導入し,COCOデータから転送されたより一般的な特徴に関して,全体の精度を強化することができることを実証した。YOLO-Sは,YOLOv3より25%から50%速く,Tiny-YOLOv3よりも15-25%遅く,また,YOLOv3は,広範囲の実験で精度の点で優れている。SARDデータセット上で行ったさらなるシミュレーションは,探索や救助操作のような異なるシナリオへの適用性も示す。さらに,YOLO-Sは,パラメータサイズの87%の減少およびYOLOv3のほぼ半分のFLOPを有し,低電力工業用途のための展開を実用化した。【JST・京大機械翻訳】
