[计算机视觉论文速递] 2018-06-11
导言
这篇文章有4篇论文速递信息，涉及CNN pruning、新的人脸识别数据集、森林树木分类和交通标志检测等方向。
编辑: Amusi
校稿: Amusi
前戏
Amusi 将日常整理的论文都会同步发布到 daily-paper-computer-vision 上。名字有点露骨，还请见谅。喜欢的童鞋，欢迎star、fork和pull。
直接点击“阅读全文”即可访问daily-paper-computer-vision。
link: https://github.com/amusi/daily-paper-computer-vision
CNN
《Accelerator-Aware Pruning for Convolutional Neural Networks》
arXiv 2018
submitted to IEEE Transactions on Circuits and Systems for Video
Typical PE structures: (a) MWMA and (b) MWSA.
Process of a channel-axis-parallel CNN accelerator
Abstract：卷积神经网络在计算机视觉任务中表现出巨大的性能，但是它们过多的权重和运算阻止了它们在嵌入式环境中被采用。其中一个解决方案涉及修剪（pruning），其中一些不重要的权重被迫为零。已经提出了许多修剪方案，但主要集中在修剪权重的数目上。之前的修剪方案几乎不考虑ASIC或FPGA加速器体系结构。当修剪后的网络运行在加速器上时，缺乏体系结构考虑会导致一些低效率问题，包括内部缓冲区失调和负载不平衡。本文提出了反映加速器体系结构的新修剪方案。在所提出的方案中，执行修剪使得对于与同时取得的激活相对应的每个权重组保留相同数量的权重。通过这种方式，修剪方案解决了无效率问题。即使受到约束，所提出的修剪方案也达到了与先前的无约束修剪方案类似的修剪比例，不仅在AlexNet和VGG16中，而且在像ResNet这样的最先进的非常深的网络中。此外，所提出的方案在已经修剪通道的细长网络中展现出可比的修剪比率。除了提高以前稀疏加速器的效率外，还将显示所提出的修剪方案可用于减少稀疏加速器的逻辑复杂度。
arXiv：https://arxiv.org/abs/1804.09862
Face
《Pushing the Limits of Unconstrained Face Detection: a Challenge Dataset and Baseline Results》
arXiv 2018
Sample annotated images from the proposed UFDD dataset
Abstract：人脸识别在过去几年中取得了巨大的进步，每年都有新的里程碑被超越。虽然诸如尺度（scale），姿态（pose），外观上的巨大变化等许多挑战已被成功解决，但仍存在若干问题，这些问题未被现有方法或数据集专门捕获。在这项工作中，我们确定需要研究界关注的下一组挑战，并收集涉及这些问题的新图像数据集，例如基于差的天气，运动模糊，焦点模糊等。我们证明，在最先进的探测器和真实世界需求的性能方面存在相当大的差距。因此，为了进一步加强对无约束人脸检测的研究，我们提出了一种新的带注释的无约束人脸检测数据集（UFDD），其中有几个挑战和基准最近的方法。此外，我们对这些方法的结果和失败案例进行了深入分析。数据集以及baseline 结果将在适当的时候公布。
arXiv：https://arxiv.org/abs/1804.10275
Image Classification
《Automatic classification of trees using a UAV onboard camera and deep learning》
arXiv 2018
Extracted each class sample
Abstract：使用遥感数据自动分类树木一直是许多科学家和土地使用管理者的梦想。最近，无人驾驶飞行器（UAV）一直被认为是遥感森林的一种易于使用且具有成本效益的工具，深度学习因其在机器视觉方面的能力而备受关注。在这项研究中，我们使用商业的无人机和公开数据进行深度学习，我们构建了用于树木自动分类的机器视觉系统。在我们的方法中，我们将森林的无人机摄影图像分割成单独的树冠（tree crowns）并进行基于对象的深度学习。结果，该系统能够以89.0％的准确度对7种树木类型进行分类。该性能值得注意，因为我们只使用标准无人机的基本RGB图像。相比之下，大多数以前的研究使用昂贵的硬件，如多光谱成像器来提高性能。这一结果意味着我们的方法有可能以具有成本效益的方式对单个树木进行分类。这可以成为许多森林研究人员和管理人员的有用工具。
arXiv：https://arxiv.org/abs/1804.10390
Traffic Sign Detection
《Localized Traffic Sign Detection with Multi-scale Deconvolution Networks》
arXiv 2018
Convolutional Residual Network(CRN)
Multiple traffic signs in the object image
Abstract：通过深度学习进行有效的交通标志检测对自动驾驶起着至关重要的作用。 但是，不同的国家有不同的交通标志集合，使得本地化的交通标志识别模型训练成为一项繁琐而艰巨的任务。为解决计算复杂算法需要花费大量时间和检测局部交通标志的模糊和亚像素图像的比率低的问题，我们提出了多尺度卷积网络（Multi-Scale Deconvolution Networks，MDN），它将多尺度卷积神经网络 解卷积子网络，导致高效可靠的本地化交通标志识别模型的培训。与中国交通标志数据集（CTSD）和德国交通标志基准（GTSRB）等本地化交通标志基准的经典算法相比，所提出的MDN是有效的。
arXiv：https://arxiv.org/abs/1804.10428
【论文速递】专题回顾