雷锋。3月19日，谷歌大脑和人工智能团队本周发布了一个名为高效检测的人工智能系统。
该系统可以实现更少的计算，获得更高效的检测目标。
据该系统的创建者称，与YOLO或阿米巴网等其他流行的检测模型相比，该系统在与CPU或GPU一起使用时可以实现更快的性能。
高效检测在执行另一项与目标检测相关的任务时也取得了出色的性能。利用PASCAL可视化对象和训练数据集，进行语义分割实验。
效率检测是效率网络的更新版本，效率网络是去年为珊瑚板单板计算机提供的一系列高级对象检测模型。谷歌工程师谭明星、庞若明和Quoc Le在去年秋天首次发表的一篇论文中详细阐述了能效检测，但在周日对该论文进行了修改和更新。
“以优化精度和效率为目标，我们希望开发一系列模型来满足使用需求。”根据论文内容，本文研究了目标检测神经网络的体系结构设计。
作者认为，现有的尺度目标检测方法往往牺牲精度或消耗大量资源。高效检测实现了一种成本更低、资源消耗更少的方法，可以在边缘或云上部署对象检测。其方法是“同时扩展所有主干、特征网络和盒/类预测网络的分辨率、深度和宽度”。
“巨大的模型尺寸和昂贵的计算成本阻碍了它们在许多现实世界应用中的部署，例如机器人和自动驾驶汽车，在这些应用中，模型尺寸和延迟是非常有限的，”该论文写道。"考虑到现实世界中的这些资源约束，模型效率对于目标检测变得越来越重要."
高效网的优化灵感来自谭和乐在高效网上的原创作品。提出了一种骨干网和特征网相结合的复合标度方法。特征网络采用双向特征金字塔网络，骨干网络采用ImageNet预训练的特征网络。
高效检测通过删除只有一条输入边的节点来优化跨规模连接，从而创建更简单的双向网络。它还依赖于单级探测器模式，这是一种以高效和简单著称的物体探测器。
“我们建议在特征融合时给每个输入增加额外的权重，这样网络就可以理解每个输入特征的重要性，”该论文写道。
这是谷歌目标检测的最新消息，用于谷歌的云视觉系统进行目标检测。最近在其公开发售的API中，删除了男女标签。
1.《目标检测 谷歌AI公开新一代“目标检测”系统》援引自互联网，旨在传递更多网络信息知识，仅代表作者本人观点，与本网站无关，侵删请联系页脚下方联系方式。
2.《目标检测 谷歌AI公开新一代“目标检测”系统》仅供读者参考，本网站未对该内容进行证实，对其原创性、真实性、完整性、及时性不作任何保证。
3.文章转载时请保留本站内容来源地址，https://www.lu-xu.com/caijing/1500502.html
