论文题目

EfficientDet: Scalable and Efficient Object Detection

论文摘要

模型的有效性在计算机视觉中变得越来越重要。本文系统地研究了用于目标检测的各种神经网络结构设计选择,并提出了几种提高效率的关键优化方法。首先,我们提出了一个加权的双向特征金字塔网络(BiFPN),它允许简单快速的多尺度特征融合;其次,我们提出了一个组合尺度方法,该方法可以同时对所有骨干网、特征网络和box/classprediction网络的分辨率、深度和宽度进行均匀的缩放。基于这些操作优化,我们开发了一个新的对象检测器家族,称为EfficientDet,它在资源约束的一个范围内始终比现有技术获得更高的效率。特别是,我们的EfficientDTET-D7在没有铃声和口哨声的情况下,实现了最先进的51.0 mAPon COCO数据集,拥有52M参数和326B触发器1,体积缩小了4倍,使用的触发器减少了9.3倍,但仍然比以前最好的检测器更精确(+0.3%mAP)。

论文作者

Mingxing Tan Ruoming Pang Quoc V. Le,Google人工智能团队

成为VIP会员查看完整内容
0
22

相关内容

本文提出了一类高效的视频网络——X3D,它在空间、时间、宽度和深度等多个网络轴上逐步扩展了一个微小的二维图像分类体系结构。受机器学习中特征选择方法的启发,提出了一种简单的分步网络扩展方法,该方法在每一步中扩展一条轴,从而达到了较好的精度和复杂度平衡。为了将X3D扩展到特定的目标复杂性,我们执行前向扩展和后向收缩。X3D实现了最先进的性能,同时需要4.8倍和5.5倍的更少的乘法和参数,以达到与以前的工作类似的精度。我们最令人惊讶的发现是,具有高时空分辨率的网络可以表现得很好,而在网络宽度和参数方面则非常轻。在视频分类和检测基准上,我们报告了具有竞争力的准确性和前所未有的效率。

成为VIP会员查看完整内容
0
19

题目: Anomalous Instance Detection in Deep Learning: A Survey

摘要:

深度学习(DL)容易受到分布不均匀和对抗性示例的影响,从而导致不正确的输出。为了使DL更具有鲁棒性,最近提出了几种方法:异常检测技术来检测(并丢弃)这些异常样本。本研究试图为基于DL的应用程序异常检测的研究提供一个结构化的、全面的概述。我们根据现有技术的基本假设和采用的方法为它们提供了一个分类。我们讨论了每个类别中的各种技术,并提供了这些方法的相对优势和劣势。我们在这次调查中的目标是提供一个更容易并且更好理解的技术,这项技术是在这方面已经做过研究的,且属于不同的类别的。最后,我们强调了在DL系统中应用异常检测技术所面临的未解决的研究挑战,并提出了一些具有重要影响的未来研究方向。

成为VIP会员查看完整内容
0
68

主题: Machine Learning based Anomaly Detection for 5G Networks

摘要:

保护未来网络将是一个具有挑战性的领域,因为网络安全威胁日益增加,物联网(IoT)造成的攻击面不断扩大,网络异构性增加,虚拟化技术和分布式架构的使用增加。本文提出了SDS(软件定义安全)作为一种手段来提供一个自动化的、灵活的、可扩展的网络防御系统。SDS将利用当前机器学习的进步,设计一个使用NAS(神经结构搜索)检测异常网络流量的CNN(卷积神经网络)。SDS可以应用于入侵检测系统,为5G网络创建更主动和端到端防御。为了验证这一假设,我们使用CNN采集并分析了模拟环境中的正常和异常网络流。该方法的结果是有希望的,因为该模型识别良性流量的准确率为100%,异常流量的检出率为96.4%。这证明了网络流分析对各种常见恶意攻击的有效性,也为检测加密恶意网络流量提供了一个可行的选择。

成为VIP会员查看完整内容
0
24

题目: EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks

摘要:

卷积神经网络(ConvNets)通常是在固定的资源预算下开发的,如果有更多的资源可用,则会进行扩展以获得更高的精度。在这篇论文中,我们系统地研究了模型缩放,并发现仔细平衡网络的深度、宽度和分辨率可以获得更好的性能。基于这一观察结果,我们提出了一种新的标度方法,使用简单而高效的复合系数来均匀地标度深度/宽度/分辨率的所有维度。我们证明了该方法在扩展MobileNets和ResNet方面的有效性。为了更进一步,我们使用神经结构搜索来设计一个新的基线网络,并将其扩展以获得一系列被称为EfficientNets的模型,这些模型比以前的ConvNets获得了更好的准确性和效率。特别是,我们的EfficientNet-B7在ImageNet上达到了最先进的84.4% top-1 / 97.1% top-5的精度,同时比现有最好的ConvNet小8.4倍,推理速度快6.1倍。我们的效率网在CIFAR-100(91.7%)、Flowers(98.8%)和其他3个传输学习数据集上传输良好,并且达到了最先进的精度,参数少了一个数量级。

作者:

Quoc V. Le目前是谷歌研究科学家,斯坦福大学计算机科学系人工智能实验室博士生。研究领域是机器学习和人工智能。个人官网:https://cs.stanford.edu/~quocle/

成为VIP会员查看完整内容
0
9

题目

Ranking architectures using meta-learning

简介

神经架构搜索(Neural architecture search)最近吸引了大量的研究工作,因为它有望实现神经网络手动设计的自动化。然而,它需要大量的计算资源,为了缓解这一问题,最近提出了一种性能预测网络,它可以通过预测候选体系结构的性能来实现高效的体系结构搜索,而不依赖于实际的模型训练。性能预测器是任务感知的,不仅作为候选体系结构的输入,而且作为任务元特性的输入,它被设计为从多个任务中共同学习。在这项工作中,我们引入了一个成对排序损失,用于训练一个网络,该网络能够根据其任务元特征,为一个新的不可见任务条件排列候选架构。我们给出了实验结果,表明该排序网络比先前提出的性能预测器在架构搜索方面更有效。

作者

Alina Dubatovka,Efi Kokiopoulou,Luciano Sbaiz,Andrea Gesmundo,Gábor Bartók,Jesse Berent来自于Google AI团队

成为VIP会员查看完整内容
0
12

Model efficiency has become increasingly important in computer vision. In this paper, we systematically study various neural network architecture design choices for object detection and propose several key optimizations to improve efficiency. First, we propose a weighted bi-directional feature pyramid network (BiFPN), which allows easy and fast multi-scale feature fusion; Second, we propose a compound scaling method that uniformly scales the resolution, depth, and width for all backbone, feature network, and box/class prediction networks at the same time. Based on these optimizations, we have developed a new family of object detectors, called EfficientDet, which consistently achieve an order-of-magnitude better efficiency than prior art across a wide spectrum of resource constraints. In particular, without bells and whistles, our EfficientDet-D7 achieves stateof-the-art 51.0 mAP on COCO dataset with 52M parameters and 326B FLOPS1 , being 4x smaller and using 9.3x fewer FLOPS yet still more accurate (+0.3% mAP) than the best previous detector.

0
5
下载
预览

论文题目: A Survey of Deep Learning-based Object Detection

论文摘要: 目标检测是计算机视觉中最重要和最具挑战性的分支之一,它已广泛应用于人们的生活中,例如监视安全性,自动驾驶等。随着用于检测任务的深度学习网络的迅速发展,对象检测器的性能得到了极大的提高。为了深入地了解目标检测的主要发展状况,在本次调查中,我们首先分析了现有典型检测模型的方法并描述了基准数据集。之后,我们以系统的方式全面概述了各种目标检测方法,涵盖了一级和二级检测器。此外,我们列出了传统和新的应用程序。还分析了对象检测的一些代表性分支。最后,我们讨论了利用这些对象检测方法来构建有效且高效的系统的体系结构,并指出了一组发展趋势,以更好地遵循最新的算法和进一步的研究。

作者介绍: Licheng Jiao 1982年获得中国上海交通大学博士学位,并分别于1984年和1990年获得西安交通大学的博士学位。 1990年至1991年,他是西安电子科技大学雷达信号处理国家重点实验室的博士后研究员。自1992年以来,焦博士一直是中国西安电子科技大学电子工程学院的教授,目前是电子工程学院的院长,也是智能感知与图像理解重点实验室的主任。 西安电子科技大学中国教育部 1992年,焦博士获得了青年科学技术奖。 1996年,他获得了中国教育部跨世纪专家基金的资助。 从1996年起,他被选为“中国第一级人才计划”的成员。2006年,他被霍英东教育基金会授予高中青年教师奖一等奖。 从2006年起,他被选为陕西省特别贡献专家。

成为VIP会员查看完整内容
0
39

We introduce and tackle the problem of zero-shot object detection (ZSD), which aims to detect object classes which are not observed during training. We work with a challenging set of object classes, not restricting ourselves to similar and/or fine-grained categories as in prior works on zero-shot classification. We present a principled approach by first adapting visual-semantic embeddings for ZSD. We then discuss the problems associated with selecting a background class and motivate two background-aware approaches for learning robust detectors. One of these models uses a fixed background class and the other is based on iterative latent assignments. We also outline the challenge associated with using a limited number of training classes and propose a solution based on dense sampling of the semantic label space using auxiliary data with a large number of categories. We propose novel splits of two standard detection datasets - MSCOCO and VisualGenome, and present extensive empirical results in both the traditional and generalized zero-shot settings to highlight the benefits of the proposed methods. We provide useful insights into the algorithm and conclude by posing some open questions to encourage further research.

0
8
下载
预览
小贴士
相关VIP内容
相关资讯
【泡泡点云时空】PointConv: 3D点云的深度卷积网络
泡泡机器人SLAM
16+阅读 · 2019年6月12日
角网络——目标检测(文后有paper地址及源码)
计算机视觉战队
5+阅读 · 2019年6月5日
谷歌EfficientNet缩放模型,PyTorch实现登热榜
机器学习算法与Python学习
9+阅读 · 2019年6月4日
FoveaBox,超越Anchor-Based的检测器
极市平台
9+阅读 · 2019年4月22日
基于手机系统的实时目标检测
计算机视觉战队
8+阅读 · 2018年12月5日
相关论文
Simple Multi-Resolution Representation Learning for Human Pose Estimation
Trung Q. Tran,Giang V. Nguyen,Daeyoung Kim
5+阅读 · 2020年4月14日
EfficientDet: Scalable and Efficient Object Detection
Mingxing Tan,Ruoming Pang,Quoc V. Le
5+阅读 · 2019年11月20日
Golnaz Ghiasi,Tsung-Yi Lin,Ruoming Pang,Quoc V. Le
6+阅读 · 2019年4月16日
Efficient Road Lane Marking Detection with Deep Learning
Ping-Rong Chen,Shao-Yuan Lo,Hsueh-Ming Hang,Sheng-Wei Chan,Jing-Jhih Lin
5+阅读 · 2018年9月11日
Zero-Shot Object Detection
Ankan Bansal,Karan Sikka,Gaurav Sharma,Rama Chellappa,Ajay Divakaran
8+阅读 · 2018年7月27日
Hao Chen,Yali Wang,Guoyou Wang,Yu Qiao
4+阅读 · 2018年3月5日
Alexander Wong,Mohammad Javad Shafiee,Francis Li,Brendan Chwyl
7+阅读 · 2018年2月19日
Xuanyi Dong,Liang Zheng,Fan Ma,Yi Yang,Deyu Meng
7+阅读 · 2018年2月14日
Jiajie Wang,Jiangchao Yao,Ya Zhang,Rui Zhang
7+阅读 · 2018年2月10日
Top