边缘GPU实时物体检测新方法：YOLO-ReT的探索

论文提出了针对边缘设备的新型边缘GPU友好模块，用于多尺度特征交互。该模块通过利用各种特征尺度之间缺失的组合连接，改善了模型的准确性和执行效率。同时，论文还探索了一种新颖的迁移学习骨干网络采用方式，灵感来自于信息流动变化，旨在结合特征交互模块，提高各种边缘GPU设备的准确性和执行速度。例如，基于MobileNetV2x0.75骨干网络的YOLO-ReT在Jetson Nano上实时运行，在Pascal VOC数据集上实现了68.75的mAP，在COCO数据集上实现了34.91的mAP，分别比同类方法高出3.05的mAP和0.91的mAP，同时执行速度更快，提升了3.05帧每秒。此外，引入了多尺度特征交互模块，将YOLOv4-tiny和YOLOv4-tiny (3l)在COCO数据集上的性能分别提高到了41.5和48.1的mAP，比原始版本分别提升了1.3和0.9的mAP。这些成果值得学习和参考。