本創作提出了基於輕量稀疏模型整合知識蒸餾優化深度網路於即時物件偵測系統，是一種基於卷積神經網路架構進行改良之物件偵測技術，並且擁有較良好的處理效能，更適合部屬在移動端使用。
本創作所提出輕量化模型與網路加速策略整合，著重於萃取物件資訊時能夠針對推論速度進行優化。儘管使用參數量較少的輕量化網路作為骨幹，透過雙向特徵金字塔網路進行特徵融合，當場景或物件較為複雜仍能夠快速的取得重要特徵。透過整合資料增強、混合精度訓練、稀疏性網路生成等等訓練策略，能有效提升輕量化網路的泛化能力，使其在計算推理上能有更好的精度提升，確保模型具有良好的泛化能力。另外，本創作利用知識蒸餾是為了解決輕量化網路在物件偵測精度較為不足，透過老師與學生模型的互相訓練能有效提升學生網路的推理準確率，且不會在推理時增加額外計算需求。由於過往方法中較少關注在演算法的運算成本，因此我們藉 由輕量化網路帶來的好處，提供運算力較弱的平台也能即時做物件偵測推理，這對後 續在實際場景應用能更有效控制硬體成本，在更多的場景能運用深度學習帶給人們生活上的便利。
在實際性能驗證方面，本創作使用公開資料集 MS-COCO 2017 進行測試並與前人技術比較，由於測試資料中存在較為困難的因素，如真實世界中物件邊界模糊、小物件、物件重疊等情況。結果顯示，相較於前人所提出的技術，本創作所提出的算法可獲得良好的準確率及超過標準數倍的即時性，因此有相當大的潛力可被應用於現實生活中，在使用較少的運算資源下並仍保有一定的準確性。
|
專利行銷平台
