近日, 中科院合肥研究院智能所先進(jìn)制造技術(shù)研究中心王紅強(qiáng)研究員團(tuán)隊提出了一種新型目標(biāo)檢測人工智能框架，為快速高精度實時在線目標(biāo)識別提供了新的解決方案。相關(guān)工作發(fā)表在計算機(jī)科學(xué)及工程技術(shù)領(lǐng)域頂刊 Expert Systems With Applications 上。

　　近年來，深度學(xué)習(xí)理論驅(qū)動了人工智能技術(shù)飛躍式發(fā)展，基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)在許多產(chǎn)業(yè)應(yīng)用中取得巨大成功，其中快速實時目標(biāo)檢測是人工智能技術(shù)產(chǎn)業(yè)應(yīng)用的重要需求。一直以來快速實時目標(biāo)檢測研究主要依賴研發(fā)輕量型神經(jīng)網(wǎng)絡(luò)模型（或邊緣計算等）提高目標(biāo)檢測速度，但效率與精度往往不能兼顧，成為當(dāng)前目標(biāo)檢測前沿研究與產(chǎn)業(yè)應(yīng)用的重要挑戰(zhàn)之一。此外，由于深度學(xué)習(xí)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(tuán)隊通過研究分析發(fā)現(xiàn)，基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)主要缺陷之一在于重復(fù)的特征提取與融合深度網(wǎng)絡(luò)結(jié)構(gòu)，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(biāo)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(fù)雜度與推理時間開銷的巨大潛力。同時，在此框架下，科研團(tuán)隊基于早期提出的eRF檢測理論，設(shè)計了感受野調(diào)節(jié)機(jī)制、殘差注意力自學(xué)習(xí)機(jī)制、基于eRF動態(tài)平衡抽樣策略三種新的學(xué)習(xí)機(jī)制，實現(xiàn)了更加簡潔高效地提取熱點特征信息。在標(biāo)準(zhǔn)數(shù)據(jù)集上以同樣29FPS的速率下獲得高出現(xiàn)有基準(zhǔn)2.6個百分點，驗證了該模型的優(yōu)越性。該方法為目標(biāo)檢測前沿研究與產(chǎn)業(yè)應(yīng)用提供了新的思路。 

　　王琦進(jìn)博士生為文章的第一作者，王紅強(qiáng)研究員為通訊作者。該研究工作得到了國家自然科學(xué)基金項目、中科院設(shè)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。 

　　文章鏈接：https://www.sciencedirect.com/science/article/abs/pii/S0957417422019467 

圖1：網(wǎng)絡(luò)結(jié)構(gòu)框架

圖2：目標(biāo)檢測示例

圖3：檢測性能比較