10K is Enough: An Ultra-Lightweight Binarized Network for Infrared Small-Target Detection

要約

エッジデバイス上の赤外線小ターゲット検出（IRSTD）アルゴリズムの広範な展開には、モデル圧縮技術の調査が必要です。
バイナリニューラルネットワーク（BNN）は、モデル圧縮における並外れた効率によって区別されます。
ただし、赤外線ターゲットのサイズが小さいため、IRSTDタスクに厳しい精密要件が導入されますが、二等層化中の固有の精度損失は重要な課題を示します。
これに対処するために、完全な精度機能をネットワークの情報フローに統合しながら、二等層化された畳み込みのコア操作を保持するバイナリングされた赤外線小ターゲット検出ネットワーク（BIISNET）を提案します。
具体的には、双方向の畳み込み操作を活用しながら、フィーチャーマップに微調整されたセマンティック情報を保持するドットバイナリの畳み込みを提案します。
さらに、バックプロパゲーション中により包括的で徐々に細かい勾配を提供し、モデルの安定性を高め、最適な重量分布を促進するスムーズで適応的な動的ソフトサイン関数を導入します。

要約(オリジナル)

The widespread deployment of InfRared Small-Target Detection(IRSTD) algorithms on edge devices necessitates the exploration of model compression techniques. Binary neural networks (BNNs) are distinguished by their exceptional efficiency in model compression. However, the small size of infrared targets introduces stringent precision requirements for the IRSTD task, while the inherent precision loss during binarization presents a significant challenge. To address this, we propose the Binarized Infrared Small-Target Detection Network (BiisNet), which preserves the core operations of binarized convolutions while integrating full-precision features into the network’s information flow. Specifically, we propose the Dot-Binary Convolution, which retains fine-grained semantic information in feature maps while still leveraging the binarized convolution operations. In addition, we introduce a smooth and adaptive Dynamic Softsign function, which provides more comprehensive and progressively finer gradient during back-propagation, enhancing model stability and promoting an optimal weight distribution.Experimental results demonstrate that BiisNet not only significantly outperforms other binary architectures but also demonstrates strong competitiveness among state-of-the-art full-precision models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google