Yolov3、Mobilenet V2及ASFF的结合使用

简介：
本研究探讨了将YOLOv3与MobileNetV2相结合，并引入注意力机制模块ASFF（Attention Surpression and Feature Fusion），旨在提升模型在目标检测任务中的准确性和效率。 在本项工作中，我们提出了一种新颖的数据驱动的金字塔特征融合策略——自适应空间特征融合（ASFF）。该方法通过学习过滤冲突的空间信息来抑制不一致性，从而改善了特征的比例不变性，并且几乎不会增加推理开销。 先前使用的模型实际上都采用了错误的锚设置进行训练。对于MobileNet V2，我们已经修复了这一问题。目前，我们的系统还不支持在MobileNet V2上使用rfb、dropblock和功能适配。此外，针对MobileNet的FP16培训现在存在问题，并且导致测试时mAP下降约0.2。 为了提高效率，我们添加了一个更快的NMS（采用了正式实施）以及一个名为demo.py的新文件以用于演示目的。在V100 GPU上进行系统开发和测试时，在使用NMS优化后的时间为33毫秒；而在2080ti GPU上的时间为26毫秒。