摘要：受限于嵌入式设备和移动设备的内存和计算能力,深度卷积神经网络(CNN)的部署因较大的参数量和较慢的推理速度受到阻碍,因此轻量化网络研究越来越受到关注。基于ResNet-50构建一个带浅层和深层的双路径架构(SDDP),可以通过调整两个路径的通道维度比例实现模型的压缩。此外,还提出一个特征分离模块,基于通道注意力将特征图分为两组,一组进入深路径,另一组进入浅路径,精确的分组可以让特征提取更加高效。该网络架构在ImageNet数据集上超越了当前最好的剪枝方法和轻量化设计模型。

摘要：卷积神经网络中常用的降采样在增大感受野的同时,减小了特征图的空间分辨率,导致大尺度文本在网络高层特征图中边界模糊,小尺度文本直接丢失。针对这种情况,设计一个主干网络,使其高层特征图具有较高的空间分辨率,用以提高模型对大尺度文本的定位能力和小尺度文本的分类能力,减少对背景误检的情况,从而提高检测的召回率和准确率。实验结果表明,采用该主干网络可以有效提升模型对多尺度文本的检测能力,F值在ICDAR2015数据集上达到81.89%。