[2019][***]An efficient convolutional neural network for small traffic sign detection

1. 인용 논문  
Traffic-sign detection and classification in the wild  
Zhe Zhu, Dun Liang, Songhai Zhang, Xiaolei Huang, Baoli Li, Shimin Hu;   
The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 2110-2118  

2. 인용 부분

4.1. Architectural design strategies 

Our overarching purpose is to build a CNN model with few model pa- rameters but a competitive detection accuracy. To this end, we employ following three improved strategies. 

 

Strategy I. Factorize 5 × 5 filters into two 3 × 3 filters. 

Given a budget of an exact number of convolution kernels, we select to deploy the majority of these 1×1 and 3×3 kernels, since a 3×3 kernel has 25 / 9 fewer parameters than a 5 × 5 kernel. 

 

Strategy 2. Decrease the superfluous 3 × 3 convolutional layers and substitute 3 × 3 kernels with 1 × 1 kernels. 

Following [33], we prune the last 3 × 3 convolutional layer after ex- periments, and then replace the remaining two 3 × 3 convolutional lay- ers with 1 × 1 filters. Although our feature extraction network includes 5 convolutional layers, whose number is the same as VGGNet [14] and model in [33], introduction of small kernels can remarkably reduce the parameters in the model because a 1 × 1 kernel has 9x fewer parameters than a 3 × 3 kernel. 

 

Strategy 3. Transform the fully connected layers to 1×1 fully convolutional layers. 

In a convolutional neutral network, fully connected layers usually function to output the confidence for each possible category, which con- sumes large amount of calculation cost and introduce numerous param- eters. Our modification is that the standard fully connected layers can be equally replaced by the 1×1 fully convolutional layers, which are more efficient and beneficial for decreasing computing consumption. 

 

Strategies 1 and 2 are about advisably reducing the quantity of pa- rameters in a CNN while maintaining a competitive accuracy. Strategy 3 is about minimizing calculation amount on a limited budget of network. Next, we describe our small object detector for traffic signs, which is backboned on CNN architecture that activates us to successfully utilize Strategies 1, 2 and 3.