科研之友
微信
新浪微博
Facebook
分享链接
摘要
随着实例分割技术在各种场景中的应用越来越广泛，运行速度和硬件资源占用是该技术在应用中需要考虑的2个重要因素。最近提出的基于图像原型掩码系数的实例分割网络(YOLACT)在运行速度方面做得很好，但是需要设置较大的特征提取网络才能保证分割精确度，这就导致了模型占用的硬件资源较多，同时运行速度也受到了限制。在YOLACT的基础上，提出一种新的模型，对实例分割的特征提取网络进行了优化，先使用基于批量归一化层放缩因子的通道剪枝方法对YOLACT网络进行压缩，然后对压缩后的卷积层和批量归一化层进行融合，最后，在COCO val2017上对本文提出的方法进行了评估。实验结果表明，相比原始的YOLACT网络，该方法的模型文件大小可以减少56.9%，运行速度提升28.6%，运行时显存占用也降低了13.6%，有效地减少了硬件资源占用，并且提升了运行速度。
- 单位
