嵌入式CNN检测网络--LCDet_cnn在嵌入式

LCDet: Low-Complexity Fully-Convolutional Neural Networks for Object Detection in Embedded System
https://arxiv.org/abs/1705.05922

本文针对嵌入式设备以 YOLO为基础，提出 LCDet 在 TensorFlow 上实现，采用 8-bit 定点 TF-model 达到实时检测，精度也不错。

YOLO 和 LCDet 的主要区别：

LCDet 将 YOLO 最后两个全连接层更换为全卷积层，LCDet 中除了最后一层，其它层都用 ReLU 激活响应，YOLO用的是 LeakyReLU。

最后一层我们采用三类激活响应函数： classification (softmax) output, confidence (sigmoid) score, and localization (no activation) outputs

3.2. Training Methodology
和 Faster R-CNN 4个步骤交替训练不同，我们采用了 YOLO 的端对端训练，采用 multi-part object detection loss

3.3. Detection-Specific Layers
将YOLO 最后两个全连接层更换为 全卷积层， 参数由 269×10^6 变为 2.3 × 10^6, 减少了 115×

3.4. Quantized Model
这里我们将浮点模型变为 8位定点模型， 4× memory reduction，while keeping the
accuracy nearly as good as the floating point model and achieves 20× performance gain compared to the floating point model.