计算机视觉系列 -MMDetection 之SSDLite经典算法

SSDLite 简介

SSDLite论文
SSDLite 是 Google 在 CVPR2018 论文 MobileNetV2: Inverted Residuals and Linear Bottlenecks 中提出的轻量级检测模型

论文描述了一种新的移动架构MobileNet V2，该架构在多个任务和基准以及不同模型大小的spectrum上提高了移动模型的最先进性能。论文还描述了在称为SSDLite的新框架中将这些移动模型应用于对象检测的有效方法。此外，论文还演示了如何通过简化形式的DeepLabv3构建移动语义分割模型。

MobileNet V2架构基于反向残差结构，其中残差块的输入和输出是thin bottleneck，与传统残差模型相反，传统残差模式在输入中使用扩展表示。MobileNetV2使用轻型深度卷积来过滤中间扩展层中的特征。此外，论文发现，为了保持代表性，去除狭窄层中的非线性非常重要。论文证明，这提高了性能，并提供了导致这种设计的直觉。论文的方法允许将输入/输出域与转换的表达性解耦，这为进一步分析提供了一个方便的框架。论文测量了论文在Imagenet分类、COCO对象检测和VOC图像分割方面的性能。论文评估了精度、乘法加法（MAdd）测量的运算次数以及参数数量之间的权衡

论文链接：https://arxiv.org/abs/1801.04381