一種基于通道重排的輕量級(jí)目標(biāo)檢測(cè)網(wǎng)絡(luò)

徐晗智，艾中良，張志超

(中國(guó)電子科技集團(tuán)公司第十五研究所，北京 100083)

0 引 言

目標(biāo)檢測(cè)一直以來都是計(jì)算機(jī)視覺的一個(gè)重要研究方向[1]，目前已經(jīng)被廣泛應(yīng)用于人臉識(shí)別、無人車等諸多領(lǐng)域。目標(biāo)檢測(cè)的任務(wù)主要是在一張圖片上用邊框標(biāo)出待檢測(cè)物體，并識(shí)別出框內(nèi)物體所屬的類別[2]。

傳統(tǒng)的目標(biāo)檢測(cè)算法是基于創(chuàng)建建議區(qū)域的檢測(cè)算法(如R-CNN系列)，這一思路是首先將圖片分為若干候選區(qū)域[3]，將每個(gè)候選區(qū)域內(nèi)的部分經(jīng)過尺寸的變換得到一張?zhí)卣鲌D，然后將這些特征圖輸入到卷積神經(jīng)網(wǎng)絡(luò)[4]中學(xué)習(xí)其特征，進(jìn)行分類，最后再回歸最準(zhǔn)確的邊框的位置。很多學(xué)者沿著這一思想繼續(xù)研究，得到了一系列性能更好的網(wǎng)絡(luò)。然而由于剛開始候選區(qū)域的數(shù)量往往都很大，后面又需要反復(fù)的選擇最合適的邊框，實(shí)際上算法的步驟是比較繁瑣的，整個(gè)檢測(cè)網(wǎng)絡(luò)的耗時(shí)是相當(dāng)高的[5]。于是出現(xiàn)了以YOLO[6]為代表的直接回歸的目標(biāo)檢測(cè)算法，它將邊框的位置也納入網(wǎng)絡(luò)要學(xué)習(xí)的特征之中，將輸入網(wǎng)絡(luò)的圖片劃分為若干個(gè)格子，每個(gè)格子都用來檢測(cè)中心落在該格子中的物體，對(duì)于有物體的格子，直接使用卷積神經(jīng)網(wǎng)絡(luò)回歸其代表物體的種類以及標(biāo)出該物體邊框的坐標(biāo)信息。這樣一來，數(shù)據(jù)在送入網(wǎng)絡(luò)之前無需進(jìn)行眾多建議區(qū)域的選擇，后面也無需繁瑣的最佳邊框回歸，只需使用最簡(jiǎn)潔的卷積神經(jīng)網(wǎng)絡(luò)去提取回歸所需的特征和信息。本質(zhì)上講，后者是均勻地對(duì)圖片在不同位置進(jìn)行密集抽樣[7]，通過卷積神經(jīng)網(wǎng)絡(luò)對(duì)不同長(zhǎng)寬比的邊框進(jìn)行回歸。相較于傳統(tǒng)的建議區(qū)域類檢測(cè)算法，直接回歸的方法在準(zhǔn)確度上稍有下降，但較大地提升了實(shí)時(shí)性。

目前在提升目標(biāo)檢測(cè)網(wǎng)絡(luò)性能方面，主流的方法都是設(shè)計(jì)性能更優(yōu)秀的網(wǎng)絡(luò)結(jié)構(gòu)去提取到更豐富的特征，或者參數(shù)更少計(jì)算量更少[8]。例如，YOLO的作者在其基礎(chǔ)上已經(jīng)更新了2個(gè)版本的檢測(cè)算法，其精確度和速度都得到了明顯的提升；2016年Liu等人[9]在ECCV(歐洲計(jì)算機(jī)視覺會(huì)議)上提出SSD目標(biāo)檢測(cè)網(wǎng)絡(luò)，其性能超越同時(shí)期的YOLO算法和Fast R-CNN[10]算法。值得一提的是，最近一些原設(shè)計(jì)用于圖像分類的網(wǎng)絡(luò)也得到了蓬勃的發(fā)展，如谷歌提出的MobileNet[11]網(wǎng)絡(luò)引入分組卷積，大大減少了網(wǎng)絡(luò)參數(shù)量，提高了網(wǎng)絡(luò)性能；而后Zhang等人[12]提出ShuffleNet網(wǎng)絡(luò)，使用通道重排技術(shù)解決了分組卷積中通道組間信息隔絕的問題，提高了網(wǎng)絡(luò)的準(zhǔn)確率。

本文通過實(shí)驗(yàn)驗(yàn)證了原本用于圖像分類的網(wǎng)絡(luò)結(jié)構(gòu)基本單元有能力完成目標(biāo)檢測(cè)任務(wù)，證明了BN層[13]的時(shí)間消耗較大；根據(jù)分組卷積的原則設(shè)計(jì)一個(gè)輕量級(jí)的目標(biāo)檢測(cè)網(wǎng)絡(luò)，解決了通道重排在分組卷積單元并不多時(shí)效果不明顯、反而時(shí)間開銷比較大的問題，改進(jìn)通道重排的具體實(shí)現(xiàn)方法，增加了重排通道的速度；改進(jìn)YOLO的損失函數(shù)，在回歸的內(nèi)容上增加識(shí)別框的面積來約束框的長(zhǎng)和寬之間的關(guān)系，通過計(jì)算改進(jìn)損失函數(shù)中的不同項(xiàng)在總損失中所占的比例，使之在輕量級(jí)網(wǎng)絡(luò)中發(fā)揮更好的目標(biāo)檢測(cè)效果，在訓(xùn)練的過程中約束識(shí)別框長(zhǎng)和寬的比，最后訓(xùn)練得到的目標(biāo)檢測(cè)網(wǎng)絡(luò)，性能在速度上超過Tiny-YOLO，達(dá)到每秒鐘處理260張以上圖片。

1 相關(guān)工作

1.1 YOLO-tiny算法

YOLO-tiny是YOLO的作者提供的一種輕量級(jí)高速目標(biāo)識(shí)別網(wǎng)絡(luò)，其最突出的特點(diǎn)就是運(yùn)行速度快，根據(jù)官方提供的數(shù)據(jù)其fps(每秒計(jì)算的圖片數(shù))可以達(dá)到244之高，在當(dāng)今的目標(biāo)檢測(cè)網(wǎng)絡(luò)中實(shí)屬佼佼者。相較于傳統(tǒng)的R-CNN類算法，YOLO的作者首次提出了在目標(biāo)檢測(cè)任務(wù)中直接使用網(wǎng)絡(luò)回歸得出物體識(shí)別框的位置以及物體種類，并開發(fā)了適用于其網(wǎng)絡(luò)運(yùn)行的平臺(tái)框架，將一張輸入的圖片分為若干個(gè)格子，這樣使得網(wǎng)絡(luò)更加簡(jiǎn)潔，除去了傳統(tǒng)的對(duì)感興趣區(qū)域預(yù)測(cè)的部分，極大地減少了計(jì)算量和參數(shù)數(shù)量，提高了網(wǎng)絡(luò)的處理速度。而YOLO-tiny是作者給出的一個(gè)更加高速更加輕量的一個(gè)網(wǎng)絡(luò)模型，仍然使用同樣的回歸算法，但使用更少的卷積層數(shù)，準(zhǔn)確率在COCO數(shù)據(jù)集上達(dá)到23.7的mAP(Mean Average Precision)值，目前已經(jīng)被作者更新到第3個(gè)版本，每秒運(yùn)算220張圖片，在COCO數(shù)據(jù)集上的mAP值達(dá)到33.1。

1.2 Batch Normalization層分析

BN層，即Batch Normalization層，由Loffe等人[14]于2015年提出，其作用是針對(duì)每個(gè)神經(jīng)元做歸一化處理。一經(jīng)提出，便受到了廣泛的使用，這源于其加速網(wǎng)絡(luò)收斂、改善梯度彌散、防止過擬合等優(yōu)越性能[15]，尤其在深度網(wǎng)絡(luò)中，網(wǎng)絡(luò)層數(shù)越多這些優(yōu)越性能效果越明顯。但使用BN層將會(huì)給網(wǎng)絡(luò)增加很大計(jì)算量，其中一個(gè)重要原因是Caffe框架對(duì)于BN層采用分離式寫法[16]，在切換層傳播時(shí)，操作系統(tǒng)需要執(zhí)行多個(gè)函數(shù)，在底層(比如棧)調(diào)度上會(huì)浪費(fèi)一些時(shí)間[17]。經(jīng)過實(shí)驗(yàn)，可以得知相同數(shù)據(jù)通過卷積層與通過BN層所用時(shí)間相仿，且網(wǎng)絡(luò)層數(shù)越多，對(duì)速度的影響越明顯；同時(shí)由于輕量級(jí)網(wǎng)絡(luò)過擬合可能性小,網(wǎng)絡(luò)層數(shù)少并結(jié)合使用梯度比較明顯的Leaky ReLU激活函數(shù)[18]，所以本文選擇在網(wǎng)絡(luò)后端的卷積層中取消BN層的使用，以減少計(jì)算量，提高網(wǎng)絡(luò)速度。實(shí)驗(yàn)結(jié)果見表1。

表1 BN層對(duì)網(wǎng)絡(luò)速度的影響

網(wǎng)絡(luò)類型1層卷積+1層BN層1層卷積9層卷積+9層BN層9層卷積速度/fps315050597812225

本實(shí)驗(yàn)使用的網(wǎng)絡(luò)中僅包含卷積層和BN層。所用CPU為2塊Intel(R) Xeon(R) CPU E5-2650 v4 @ 2.20 GHz，GPU使用一塊Titan X (Pascal)。測(cè)試所使用的數(shù)據(jù)集通過在VOC 2007數(shù)據(jù)集中隨機(jī)抽取20%得到，統(tǒng)一輸入尺寸為224×224像素，卷積的輸出特征圖數(shù)設(shè)置為16。

由于實(shí)驗(yàn)中每個(gè)卷積層僅僅輸出16通道的特征圖像，使得參數(shù)量遠(yuǎn)遠(yuǎn)小于正常用于目標(biāo)檢測(cè)網(wǎng)絡(luò)的參數(shù)量；同時(shí)本文只測(cè)得數(shù)據(jù)通過網(wǎng)絡(luò)層的時(shí)間，并不考慮損失處理和目標(biāo)回歸的部分，所以整體上實(shí)驗(yàn)結(jié)果遠(yuǎn)遠(yuǎn)高于正常用于目標(biāo)檢測(cè)網(wǎng)絡(luò)的速度，同時(shí)更加明顯地體現(xiàn)了卷積層與BN層運(yùn)行速度的關(guān)系。

1.3 通道重排

通道重排(Shuffle Channel)首先被Face++團(tuán)隊(duì)提出于ShuffleNet網(wǎng)絡(luò)中，它的作用是將特征圖像通道分成的各個(gè)組打亂順序，以增加不同分組的通道之間的特征交流。在之前的分組卷積中，它將一個(gè)特征圖像的多個(gè)通道分成若干個(gè)組，使得卷積操作在各個(gè)組的通道內(nèi)部進(jìn)行，不同組的通道互相之間不影響，這樣將會(huì)大大地減少計(jì)算量，但同時(shí)這種分組讓不同組通道徹底隔斷，減少了信息的交流，從而減少了網(wǎng)絡(luò)精確度。為了解決這個(gè)問題，F(xiàn)ace++團(tuán)隊(duì)提出了重排的方法，將每組通道內(nèi)部再次分組，然后將其重新組成為新的分組，送入之后的卷積層。通過重排通道來增加通道之間的信息交流，而不是某些輸出的通道只由之前特定的通道產(chǎn)生。但是這種通道重排在實(shí)現(xiàn)的時(shí)候需要大量的指針跳轉(zhuǎn)和內(nèi)存操作，并且難以良好發(fā)揮GPU的并行加速能力，這將帶來很大的時(shí)間損耗。

2 基于通道重排的輕量級(jí)目標(biāo)檢測(cè)網(wǎng)絡(luò)

2.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

本文根據(jù)上文的實(shí)驗(yàn)設(shè)計(jì)一種基于通道重排的輕量級(jí)目標(biāo)檢測(cè)網(wǎng)絡(luò)，其性能在速度上超過Tiny-YOLO，在精確度上與其相仿。首先，為了大幅提高速度，本文摒棄層數(shù)較多的深度網(wǎng)絡(luò)，使用與Tiny-YOLO相同的9層卷積層網(wǎng)絡(luò)，以減少冗余的參數(shù)帶來的過多計(jì)算量，同時(shí)也可以減少模型的存儲(chǔ)空間。在網(wǎng)絡(luò)的前幾層，本文使用普通的卷積來快速增加特征圖像的通道數(shù)。然后，使用類似于分組卷積的方法，將特征圖像的通道分為2個(gè)部分，一部分不進(jìn)行運(yùn)算原樣向后傳遞，另一部分則使用計(jì)算量較小的DW卷積和普通卷積，將兩者輸出的特征圖像連接。最后，將特征圖像按通道做重排操作，這樣可以在接下來的一個(gè)卷積層中增加不同通道之間的信息交流。相較于原來的ShuffleNet網(wǎng)絡(luò)，本文將1×1卷積核替換為3×3的尺寸，這樣可以增加網(wǎng)絡(luò)提取特征的能力。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2 改進(jìn)通道重排的實(shí)現(xiàn)

本文對(duì)通道重排的實(shí)現(xiàn)方法進(jìn)行改進(jìn)。從當(dāng)前的實(shí)現(xiàn)方式上講，主流的選擇都是將分為g組的通道每組再分為n組，這樣一共是g×n組通道；然后將這些組通道重疊成g行n列的形式；再將這些通道矩陣轉(zhuǎn)置成n行g(shù)列的形式；最后按順序?qū)⑵淙〕?，這樣達(dá)到了將原來的通道均勻重排的目的。但這樣的實(shí)現(xiàn)方式在內(nèi)存中大量地進(jìn)行數(shù)組操作，耗時(shí)較多。本文采用將g×n組通道直接重排后再用張量拼接(concat)的方式連接，避免了之前數(shù)組矩陣的重塑、轉(zhuǎn)置等操作，節(jié)約了時(shí)間成本，且更適合用于分組數(shù)并不多的通道重排。如圖2所示，左側(cè)為原來的通道重排的實(shí)現(xiàn)流程，右側(cè)是經(jīng)過改進(jìn)后的算法流程，直接使用各個(gè)數(shù)組的首地址，減少了2次數(shù)組的內(nèi)存操作。

圖2 通道重排的改進(jìn)方法

2.3 損失函數(shù)

在損失函數(shù)部分，本文采用如同YOLOv3[19]的位置定位框和測(cè)得物體置信度同時(shí)回歸的方式，這樣相對(duì)于傳統(tǒng)的在建議區(qū)域提取特征后做分類的方法大大縮小了計(jì)算復(fù)雜度，同時(shí)更適用于層數(shù)少的輕量級(jí)網(wǎng)絡(luò)。整個(gè)損失函數(shù)同樣由4個(gè)部分組成，分別是定位框中心點(diǎn)的損失、定位框?qū)捄透叩膿p失、預(yù)測(cè)類別的損失以及預(yù)測(cè)置信度的損失。在此基礎(chǔ)上，經(jīng)過一個(gè)輕量級(jí)能力較弱的網(wǎng)絡(luò)，不包含物體的每個(gè)格子產(chǎn)生的損失將會(huì)更大，并且多個(gè)不存在物體的格子會(huì)將這種損失疊加，于是需要調(diào)整損失函數(shù)中的系數(shù)。若從平衡的角度出發(fā)，需先將有物體的格子在損失函數(shù)中所占的權(quán)重，調(diào)整為不含物體項(xiàng)的48倍，以達(dá)到有無物體的格子對(duì)整個(gè)損失的貢獻(xiàn)度相等。如果按照傳統(tǒng)的YOLO的設(shè)計(jì)，10倍的系數(shù)比在網(wǎng)絡(luò)的訓(xùn)練中很容易造成物體識(shí)別率達(dá)到負(fù)值，從而影響網(wǎng)絡(luò)的收斂。

本文選擇將像素大小為224×224的圖片劃分為7×7的網(wǎng)格陣，對(duì)于每個(gè)網(wǎng)格預(yù)測(cè)n個(gè)種類以及2組定位框信息，其中定位框信息除了中心點(diǎn)坐標(biāo)和框的寬高之外，還包含檢測(cè)到物體的種類。此時(shí)，與傳統(tǒng)的YOLO檢測(cè)網(wǎng)絡(luò)的不同之處在于，原始的網(wǎng)絡(luò)選擇預(yù)測(cè)框與標(biāo)記框的重疊比(Intersection Over Union， IOU)最大的那組數(shù)據(jù)作為所需要繼續(xù)學(xué)習(xí)的數(shù)據(jù)，本文拋棄這個(gè)做法，不再計(jì)算二者的IOU，而是直接選擇帶來2個(gè)最小的損失的那組數(shù)據(jù)作為繼續(xù)學(xué)習(xí)的部分，也就是選擇與標(biāo)簽圖片中心坐標(biāo)損失最小的數(shù)據(jù)和與標(biāo)簽圖片長(zhǎng)寬損失最小的數(shù)據(jù)。在網(wǎng)絡(luò)層數(shù)比較少、參數(shù)量比較小的情況下，網(wǎng)絡(luò)的學(xué)習(xí)能力并不特別強(qiáng)，所以希望直接得到最接近真實(shí)值的信息，而計(jì)算IOU則會(huì)將數(shù)據(jù)按組分開，一組最小的損失未必會(huì)導(dǎo)致中心坐標(biāo)和框的大小損失分別最小。

在損失函數(shù)中，增加所需回歸的內(nèi)容，直接引入識(shí)別框的面積，這樣反向求導(dǎo)時(shí)增加了對(duì)邊框位置的二維約束，加強(qiáng)了對(duì)框的形狀的回歸。在網(wǎng)絡(luò)的訓(xùn)練方式上，為了讓網(wǎng)絡(luò)更好地收斂，對(duì)損失回歸的過程做以下操作：當(dāng)邊框的長(zhǎng)寬比大于某值時(shí)，則會(huì)將網(wǎng)絡(luò)反向傳播的學(xué)習(xí)率增大一倍來增大參數(shù)的變化，以防止壞數(shù)據(jù)對(duì)網(wǎng)絡(luò)的訓(xùn)練造成較大影響，增加網(wǎng)絡(luò)的學(xué)習(xí)能力，同時(shí)加速網(wǎng)絡(luò)收斂。在實(shí)際的實(shí)驗(yàn)中，根據(jù)數(shù)據(jù)集的特點(diǎn)本文將這個(gè)閾值設(shè)置為4。損失函數(shù)見公式(1)。其中S為劃分的網(wǎng)格數(shù)，B為預(yù)測(cè)框的數(shù)量，x、y、w、h分別為預(yù)測(cè)框的中心橫縱坐標(biāo)、寬度和高度，C為置信度得分，p為識(shí)別出物體的概率。

(1)

3 實(shí)驗(yàn)結(jié)果及分析

為了便于下文中展示實(shí)驗(yàn)結(jié)果，本文將提出的網(wǎng)絡(luò)模型命名為Tiny-ShuffleNet。在實(shí)驗(yàn)中，本文分別使用COCO數(shù)據(jù)集和PASCAL VOC數(shù)據(jù)集對(duì)本網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測(cè)試，在訓(xùn)練的過程中，直到各項(xiàng)損失都不再明顯下降時(shí)停止訓(xùn)練，然后在保存下來的模型中將取得效果最好的模型參與對(duì)比實(shí)驗(yàn)。算法使用當(dāng)下工業(yè)界流行的Caffe框架[20]實(shí)現(xiàn)，實(shí)驗(yàn)所用CPU為2塊Intel(R) Xeon(R) CPU E5-2650 v4 @ 2.20GHz，GPU使用一塊Titan X (Pascal)，內(nèi)存環(huán)境由8塊金士頓16 GB大小、速度為2133 MHz的內(nèi)存條所提供。對(duì)比結(jié)果如表2和表3所示。

表2 在VOC 2007數(shù)據(jù)集上測(cè)試結(jié)果對(duì)比

檢測(cè)算法mAP/%速率/fpsFaster R-CNN(VGG-16)73.27.0Faster R-CNN(ResNet-101)76.42.4R-FCN(ResNet-101)80.59.0YOLOv163.445.0YOLOv276.867.0YOLOv2 544x54478.640.0SSD30074.346.0SSD50076.819.0DSSD32178.69.5Tiny YOLO54.2204.0Tiny ShuffleNet(original)55.8259.0Tiny-ShuffleNet55.8265.0

訓(xùn)練網(wǎng)絡(luò)時(shí)，本文統(tǒng)一輸入的圖片大小為224×224像素，均使用開源的原始數(shù)據(jù)集，不做數(shù)據(jù)增強(qiáng)處理。網(wǎng)絡(luò)總共迭代6萬次，參數(shù)更新方案設(shè)置為Adam，初始學(xué)習(xí)率設(shè)置為0.001，權(quán)重衰減設(shè)置為0.0005。每組均反復(fù)訓(xùn)練多次以保證網(wǎng)絡(luò)達(dá)到最佳水平[21]。

表3 在COCO數(shù)據(jù)集上測(cè)試結(jié)果對(duì)比

檢測(cè)算法mAP/%速率/fpsSSD30041.246SSD50046.519SSD32145.416R-FCN51.912YOLOv2 608x60848.140YOLOv3 416x41655.335YOLOv3 608x60857.920Tiny YOLO23.7244YOLOv3-tiny33.1220Tiny ShuffleNet(original)32.4265Tiny-ShuffleNet32.4272

通過實(shí)驗(yàn)，與Faster R-CNN[22]、YOLO、SSD、R-FCN[23]等網(wǎng)絡(luò)性能對(duì)比，可以輕易地發(fā)現(xiàn)本文所提出的Tiny-ShuffleNet網(wǎng)絡(luò)模型在速度上具有明顯的優(yōu)勢(shì)。首先，由于數(shù)據(jù)集自身特點(diǎn)的不同，COCO數(shù)據(jù)集中平均每張圖片的目標(biāo)數(shù)較多，總目標(biāo)類別數(shù)較多，同時(shí)COCO數(shù)據(jù)集每個(gè)類別的目標(biāo)數(shù)量也遠(yuǎn)超PASCAL VOC數(shù)據(jù)集，所以前者在學(xué)習(xí)和檢測(cè)中的難度是明顯高于后者的，從實(shí)驗(yàn)的結(jié)果上看也是顯而易見的，相同的網(wǎng)絡(luò)模型其準(zhǔn)確率在前者的表現(xiàn)上不如后者。

為了更加直觀地體現(xiàn)出改進(jìn)通道重排算法對(duì)于網(wǎng)絡(luò)性能的提升，本文使用未改進(jìn)的通道重排層替換改進(jìn)后的該層作為對(duì)比網(wǎng)絡(luò)，并命名為Tiny ShuffleNet(original)，除了通道重排層外網(wǎng)絡(luò)的其它層均不做改動(dòng)。在2個(gè)數(shù)據(jù)集中，可以看到使用改進(jìn)后的通道重排層的網(wǎng)絡(luò)比未做改進(jìn)的網(wǎng)絡(luò)每秒多處理6～7張圖片，以證明改進(jìn)通道重排算法在本網(wǎng)絡(luò)結(jié)構(gòu)中確實(shí)有其實(shí)際意義。

在不同的網(wǎng)絡(luò)模型之間，Tiny-ShuffleNet的速度是最快的，在2個(gè)數(shù)據(jù)集上分別達(dá)到265和272的fps值，相較于原先速度上的佼佼者Tiny YOLO和YOLOv3-tiny，比前者快出大概30張/秒圖片的處理速度，超出后者大概50張/秒圖片的處理速度。在準(zhǔn)確度上，Tiny-ShuffleNet在2個(gè)數(shù)據(jù)集上的mAP值明顯低于原先較復(fù)雜較深的網(wǎng)絡(luò)，但與速度快的輕量級(jí)網(wǎng)絡(luò)相仿，數(shù)值上高于Tiny YOLO而比YOLOv3-tiny略低。

4 結(jié)束語

本文提出了一種新的輕量級(jí)目標(biāo)檢測(cè)網(wǎng)絡(luò)，該算法以YOLOv3-tiny為基礎(chǔ)，在網(wǎng)絡(luò)模型部分使用分組卷積，引入并改進(jìn)通道重排算法，合理使用BN層以加速網(wǎng)絡(luò)訓(xùn)練收斂，調(diào)整損失函數(shù)中的系數(shù)，在損失函數(shù)中直接增加回歸框面積為所要回歸的一項(xiàng)以增加網(wǎng)絡(luò)檢測(cè)的準(zhǔn)確度，訓(xùn)練時(shí)增加對(duì)回歸框的約束以加速收斂。其實(shí)對(duì)于層數(shù)比較少的網(wǎng)絡(luò)模型，通道重排的作用并沒有在復(fù)雜的深層網(wǎng)絡(luò)中效果那么明顯，同時(shí)盡管經(jīng)過改進(jìn)，通道重排本身仍然具有一定的時(shí)間開銷，在后續(xù)的研究中，筆者將試圖找到在輕量級(jí)網(wǎng)絡(luò)中取代通道重排的算法，來提高目標(biāo)檢測(cè)網(wǎng)絡(luò)的性能。