近日, 中科院合肥研究院智能所先進制造技術研究中心王紅強研究員團隊提出了一種新型目標檢測人工智能框架，為快速高精度實時在線目標識別提供了新的解決方案。相關工作發(fā)表在計算機科學及工程技術領域頂刊 expert systems with applications 上。
近年來，深度學習理論驅動了人工智能技術飛躍式發(fā)展，基于深度學習的目標檢測技術在許多產(chǎn)業(yè)應用中取得巨大成功，其中快速實時目標檢測是人工智能技術產(chǎn)業(yè)應用的重要需求。一直以來快速實時目標檢測研究主要依賴研發(fā)輕量型神經(jīng)網(wǎng)絡模型(或邊緣計算等)提高目標檢測速度，但效率與精度往往不能兼顧，成為當前目標檢測前沿研究與產(chǎn)業(yè)應用的重要挑戰(zhàn)之一。此外，由于深度學習自身的特性, 檢測精度再提升往往伴隨著巨大的計算代價和時間開銷, 造成在許多場景下部署和再升級瓶頸。
科研團隊通過研究分析發(fā)現(xiàn)，基于深度學習的目標檢測技術主要缺陷之一在于重復的特征提取與融合深度網(wǎng)絡結構，產(chǎn)生不必要的計算代價。為此，科研人員提出一種多輸入單輸出目標識別框架(miso)，區(qū)別于傳統(tǒng)的多輸入多輸出模式,具有降低模型復雜度與推理時間開銷的巨大潛力。同時，在此框架下，科研團隊基于早期提出的erf檢測理論，設計了感受野調(diào)節(jié)機制、殘差注意力自學習機制、基于erf動態(tài)平衡抽樣策略三種新的學習機制，實現(xiàn)了更加簡潔高效地提取熱點特征信息。在標準數(shù)據(jù)集上以同樣29fps的速率下獲得高出現(xiàn)有基準2.6個百分點，驗證了該模型的優(yōu)越性。該方法為目標檢測前沿研究與產(chǎn)業(yè)應用提供了新的思路。
王琦進博士生為文章的第一作者，王紅強研究員為通訊作者。該研究工作得到了國家自然科學基金項目、中科院設備開發(fā)、安徽省重點研究與開發(fā)計劃以及橫向企業(yè)委托開發(fā)等科研項目的支持。
特別聲明：以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))為自媒體平臺“機電號”用戶上傳并發(fā)布，本平臺僅提供信息存儲服務
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of JDZJ Hao, which is a social media platform and only provides information storage services.
