GPU/NPU边缘架构边缘架构: 在本文中，作者提出的实时目标探测器能够更好的支持边缘移动端GPU设备和高算力GPU设
备。特别是近几年来，实时探测器处在大力适配边缘设备的潮流中。如MCUNet和NanoDet，专注于适配低功耗移
动端，以提高边缘设备CPU的推理速度。对于YOLOX和YOLOR等算法，他们专注于提高检测器在GPU上的推理速
度。近年来，实时探测器的发展主要集中在高效的结构设计上。
CPU边缘架构边缘架构: 对于可以在CPU上使用的实时探测器，骨干设计主要基于MobileNet、Shufflenet或Ghostnet。
**高算力GPU/NPU：**另一些主流的实时检测器是为GPU开发的，它们主要使用ResNet、DarkNet或DLA，然后借
鉴CSPNet中的跨级策略来优化架构。
Bag-of-freebies: 除了架构优化外，作者提出的方法还集中在训练过程的优化，以提高检测器的准确性，但不增加
推理耗时。作者称所提出的模块和优化方法为可训练的免费礼包（bag-of-freebies)。
近年来，模型结构重参化和动态标签分配已成为网络训练和目标检测中的重要优化方向。在本文中，作者提出一些已经
发现的问题，例如:
对于模型结构重参化，用梯度传播路径的概念分析了适用于不同网络中各层结构重参化策略，提出了规划的模型结规划的模型结
构重参化构重参化。
当使用动态标签分配策略时，多输出层的模型在训练时会产生新的问题，比如怎样才能为不同分支更好的输出分配
动态目标。针对这个问题，作者提出了一种新的标签分配方法，称为coarse-to-fine（由粗到细)引导标签分配策引导标签分配策
略略。
本文做出的贡献如下：
1. 设计了几种可训练的bag-of-freebies，使实时检测器可以在不提高推理成本的情况下大大提高检测精度；
2. 对于目标检测的发展，作者发现了两个新的问题，即模块重参化如何高效替代原始模块，以及动态标签分配策略如
何处理好不同输出层的分配。因此在本文中提出了方法进行解决。
3. 作者为实时探测器提出了“扩展”和“复合缩放”（extend” and “compound scaling”)方法，可以更加高效地利用参数和计
算量，同时，作者提出的方法可以有效地减少实时探测器50%的参数，并且具备更快的推理速度和更高的检测精
度。（这个其实和YOLOv5或者Scale YOLOv4的baseline使用不同规格分化成几种模型类似，既可以是width和depth
的缩放，也可以是module的缩放）
二、相关工作二、相关工作
2.1 实时检测器实时检测器
目前最先进的实时探测器主要基于YOLO和FCOS，如果需要研发更先进的实时检测器，通常需要具备以下特征：
剩余14页未读，继续阅读
