轻量空间增强网络

移动端实时显著检测

为RGB-T显著目标检测设计的轻量网络，通过边界优化和注意力蒸馏，在保持先进精度的同时大幅降低计算量，适合部署在资源受限的移动设备上。

周武杰 · Zhu, Yun · 雷景生 · Rongwang, Yang · 余露

IEEE Transactions on Image Processing 2023

参数信息

浮点运算数

1.025 G

参数量

5.39 M

模型大小

22.1 MB

CPU 推理速度

9.95 fps

GPU 推理速度（批大小 1）

93.53 fps

GPU 推理速度（批大小 20）

936.68 fps

TensorRT 推理速度

538.01 fps

TensorRT/FP16 推理速度

903.01 fps

技术优势

无需高端 GPU 即可实时

在普通 CPU（Intel i5-7500）上以 PyTorch 框架、批大小为 1 时达到 9.95 fps，满足实时处理需求。

模型极小，适合端侧部署

参数量仅 5.39M，模型大小 22.1 MB，可直接嵌入移动设备而无需压缩。

边界增强零额外开销

边界增强算法基于预测显著图生成边界图，不增加任何计算量或复杂度。

蒸馏提升精度不增推理负担

采用注意力特征蒸馏和选择，并通过语义和几何迁移学习增强骨干网络，测试时复杂度不变。

应用场景

• 移动端视觉应用：在手机等移动端上实时运行 RGB-T 显著检测，无需云端计算。
• 嵌入式视觉系统：极小的模型和低算力需求使摄像头等嵌入式设备能独立完成检测。
• 机器人视觉：机器人可利用 RGB 和热成像在复杂光照下实时锁定显著目标。
• 工业检测：在 CPU 平台上即可实时检出热异常区域，降低工控部署成本。