中國科學(xué)院合肥物理科學(xué)研究院(HFIPS)的研究人員提出了一種新的目標檢測人工智能框架，為快速、高精度的實時在線目標檢測提供了新的解決方案。

相關(guān)結(jié)果發(fā)表在ExpertSystemswithApplications中。

近年來，深度學(xué)習(xí)理論推動了人工智能技術(shù)的快速發(fā)展。基于深度學(xué)習(xí)理論的目標檢測技術(shù)在許多工業(yè)應(yīng)用中也取得了成功。目前的研究側(cè)重于提高目標檢測的速度或準確性，并沒有考慮到效率和準確性。如何實現(xiàn)快速準確的目標檢測成為人工智能領(lǐng)域的重要挑戰(zhàn)。

在這項研究中，研究人員發(fā)現(xiàn)基于深度學(xué)習(xí)的目標檢測技術(shù)的主要缺陷之一在于深度網(wǎng)絡(luò)結(jié)構(gòu)的重復(fù)特征提取和融合，導(dǎo)致不必要的計算成本。

因此，他們提出了一種多輸入單輸出目標識別框架(MiSo)，它有別于傳統(tǒng)的多輸入多輸出模型，降低了模型復(fù)雜度和推理時間開銷。

此外，在此框架下，研究人員基于早先提出的eRF檢測理論，設(shè)計了三種新的學(xué)習(xí)機制來更準確、更高效地提取熱點特征信息，分別是感受野調(diào)整機制、殘差注意力自學(xué)習(xí)機制和eRF-基于動態(tài)平衡的采樣策略。

“我們將它們命名為M2YOLOF，”領(lǐng)導(dǎo)團隊的王宏強說，“它在一張?zhí)卣鲌D上檢測物體，在小物體上表現(xiàn)良好。它與YOLOF(YouOnlyLookOne-levelFeature)一樣快，但更準確。"

他們在標準數(shù)據(jù)集基準上進行了嘗試，并以每秒29幀的速度達到了39.2的平均精度(AP)。它比現(xiàn)有最先進的TridenNet-R50高2.6AP。

該方法為目標檢測的研究和工業(yè)應(yīng)用提供了新的思路。

　　免責(zé)聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風(fēng)險自擔(dān)。 如有侵權(quán)請聯(lián)系刪除！