RefineDet은 새로운 단발 기반 물체 감지 알고리즘입니다. R-CNN 및 R-FCN과 같은 3 단계 방법보다 더 나은 정확도를 달성하지만 SSD 및 YOLOvXNUMX와 같은 XNUMX 단계 방법과 비슷한 효율성을 유지합니다. RefineDet에 대한 자세한 내용은 이 종이:
RefineDet은 앵커 세분화 모듈과 물체 감지 모듈이라는 두 개의 상호 연결된 모듈로 구성됩니다. 이는 클래스 불균형 문제를 극복하고 탐지 정확도를 향상시키기 위해 XNUMX 단계 접근 방식의 아키텍처를 개선합니다.
신문에 따르면 Pascal VOC 데이터 세트 (시각적 개체 인식 및 감지의 주류 벤치 마크, 320 x 320의 더 작은 입력 크기를 사용할 때 RefineDet은 80 % mAP를 생성합니다 (객체 감지기의 정확도를 측정하는 데 널리 사용되는 메트릭 인 평균 정밀도).
512x512의 더 큰 입력 크기를 사용함으로써 RefineDet은 81.8 % mAP를 달성합니다. 이것은 RefineDet이 작은 크기의 물체 감지를 위해 SSD, Yolo와 같은 다른 인기있는 XNUMX 단계 모델보다 더 나은 정확도를 가지고 있음을 보여줍니다.
우리는 Xilinx ZCU102 플랫폼에 다음과 같은 성능과 mAP 결과로 RefineDet 모델을 성공적으로 배포했습니다.
- 플랫폼 : 9x B3 DPU가있는 ZU4096EG
- RefineDet 계산 : 이미지 당 25GOPS (480 x 360), 프 루닝되지 않음
- COCO sub2000 데이터 세트의 mAP (person class AP) : 63.39 % 전처리 시간 : 3ms
- DPU 처리 : 17ms
- 후 처리 시간 : 6.5ms
- 처리량 : 100fps (8 개 스레드 포함)
RefineDet 예제는 DNNDK v3.0 놓습니다.
