计算机视觉研究所专栏
作者：Edison_G
当今人工智能时代，幼儿园也是广大家长关心的教育机构，幼儿园儿童安全独特，在人工智能监控下，绝对保障所有儿童的安全
公众号ID| ComputerVisionGzq
学习小组| 扫码在主页获取加入方式
一、简要
对计算和内存的高需求是将现有目标检测网络部署到嵌入式设备中的最大挑战。现有的轻型目标检测器直接使用经过MobileNet和大型分类数据集预训练的轻型神经网络架构，因此网络结构不灵活，适用于特定场景
在当今的共享中，有研究人员提出了轻型目标检测网络单稳态多特征检测器(SSD ) 7个特征的融合与注意机制(FFAM )。 该网络通过减少卷积层数，节约了存储空间，减少了计算量。 研究者提出了一种新的特征融合和注意机制(FFAM )方法提高了检测精度。 首先，FFAM方法融合了富含高级语义信息的特征图和低级特征图，提高了小目标的检测精度。 采用通道与空间提醒模块相连接的轻量级提醒机制，增强目标上下文信息，引导网络关注易识别的特征。
在NWPU VHR-10数据集上，SSD7-FFAM实现了83.7%的mAP、1.66MB参数和0.033s秒的平均正常运行时间。 结果表明，该SSD7-FFAM适用于引入嵌入式设备进行实时目标检测。
如果这项技术应用于现在的幼儿园，并与行为认识相结合，不是就能保障孩子的安全和行为追踪吗？
二、背景及动机
近年来，适用于嵌入式应用的轻量级目标检测网络的研究吸引着越来越多的研究者。 像谷歌提出的轻量级网络架构MobileNet一样，各种人工设计的轻量级神经网络架构已经用于目标检测，使用的是深度可分离卷积而不是标准卷积。 Face逐点云卷积核信道变换技术，提出了ShuffleNet。
Iandola等人介绍的SqueezeNet由压缩层(压缩)和膨胀层)两部分构成，通过减少压缩层中的通道数，减少了整个模型所需的计算量。 AF-SSD应用MobileNetV2和附加卷积层，以ShuffleNetV2和可深度分离卷积为轻型骨干。 实验结果表明，AF-SSD是一种快速、准确、参数少的探测器。 许多其他研究表明，以这些轻量级网络为主干的目标探测器获得了最先进的结果。 但是，在将这些轻量级网络用作目标发现的主干网络之前，必须在常见的数据集(如ImageNet )上进行预先培训。 由于预培训通常在常见图像分类任务的数据集上进行，因此很难移植到特定的APP应用场景(如医学图像检查)。 另外，由于这些预先训练的网络模型具有很多参数和固定的结构，所以很难进行优化。
单短多盒检测器
单稳态检测器代表之一——固态硬盘
yolo我们“计算机视觉研究所”已经分享了很多东西。 例如：
建议语句超过yolov5，重量超过1.3m，高效易用。 目标检查区域就足够了。 Yolo框架大修|极低消耗的目标检测新框架(带论文下载) YOLOv4详细分析|仔细计算当前优化检测框架的细节)带论文和源代码下载)超过YOLOv4，重量超过1.3m 这一个目标检测区域就足够了！ 深度特征功能
特征融合有很多类似的案例，今天不做特别说明！
三、新框架
Specific Structure of SSD7-FFAM
上图显示了建议的SSD7-FFAM的具体结构。 在SSD中，由VGG提取的特征图和附加卷积层分别用于目标定位和分类。 但早期浅层特征图缺乏重要的语义信息，这一问题使检测精度低于二级检测器。 因此，固态硬盘
利于对小物体的检测。与SSD7不同的是，所提出的SSD7-FFAM采用了两个新的模块：特征融合模块和基于SSD7的注意模块，以弥补由于卷积层的下降所导致的检测精度的降低。特征融合模块将两个不同尺度的特征图组合成转换后的新的特征图。该模块增强了浅层特征图的语义信息。注意模块是一个结合了通道注意和空间注意的轻量级模块。它显著地提高了网络性能，同时提供了少量的计算和参数。
Feature Fusion Module
上图显示了SSD7-FFAM中使用的特征融合模块结构示例。新的Conv4特征图与其他两个特征图一起传递到注意模块。
Attention Module
Channel Attention Module
Spatial Attention Module
[Paying more attention to attention: Improving the performance of convolutional neural networks via attention transfer. In Proceedings of the ICLR 2017]的作者指出，通道维度中的合并操作可以突出显示特征图的信息区域。在通道注意模块之后，研究者引入了一个空间注意模块，以关注特征有意义的地方。
与信道注意类似，鉴于信道注意模块之后的特征图F0，空间注意模块首先执行信道尺寸的平均池化和最大池化，以获得两个H×W×1信道特征，并根据信道将这两个特征缝合在一起。然后，在7×7卷积层后得到权重系数MS，激活函数为sigmoid。空间注意模块如上图b所示，计算结果为：
四、实验及分析
在NWPU VHR-10数据集上的测试结果
For each pair, the left (a,c,e) is the original image and right (b,d,f) is the result of the SSD7-FFAM. Each color corresponds to an object category in that image.
在VOC数据上的结果，如下表：
不同平均运行时间：
© THE END
转载请联系本公众号获得授权
计算机视觉研究院学习群等你加入！
计算机视觉研究院主要涉及深度学习领域，主要致力于人脸检测、人脸识别，多目标检测、目标跟踪、图像分割等研究方向。研究院接下来会不断分享最新的论文算法新框架，我们这次改革不同点就是，我们要着重”研究“。之后我们会针对相应领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！
扫码关注
计算机视觉研究院
公众号ID｜ComputerVisionGzq
学习群｜扫码在主页获取加入方式
论文下载| 回复“SSD7”获取论文下载