MobileDets

depthwise convolutions에 기초하는 inverted bottleneck layers는 모바일 장치의 sota 객체 탐지 모델에서 주요 구성 요소였다.. 

이 논문에서 regular 컨볼루션의 유용성을 다시 검토하여 광범위한 모바일 가속기에 대한 이 설계 패턴의 최적성을 연구한다. 

이 연구는 regular 컨볼루션이 neural 아키텍처 search를 통해 네트워크에 전략적으로 배치되는 경우 가속기에서 객체 감지를 위한 지연 시간 정확도 절충을 강화하는 강력한 구성 요소라는 것을 발견했다. 

search space 에 regular컨볼루션을 통합하고 객체 감지를 위해 네트워크 아키텍처를 직접 최적화 함으로써 모바일 가속기에서 sota를 달성하는 객체 감지 모델인 mobiledets 제품군을 얻었다. 

 

 

coco 개체 감지 작업에서 MobileDets는 MobileNetV3+보다 성능이 우수합니다.SSDLite는 유사한 모바일 CPU 추론 대기 시간에서 1.7 mAP입니다. MobileNetV2+를 능가하는 MobileDet모바일 CPU에서 SSDLite by 1.9mAP, Google Edge에서 3.7mAPTPU, Qualcomm Hexagon DSP의 경우 3.4mAP, Nvidia Jetson GPU의 경우 2.7mAP의 대기 시간을 늘리지 않습니다. 또한 MobileDets는 기능 피라미드를 사용하지 않더라도 모바일 CPU의 최첨단 MnasFPN과 비교되며 양쪽 Edge에서 더 나은 mAP 점수를 얻는다.TPU 및 DSP는 최대 2배 속도를 높입니다.