基于并行浅层多子网架构的实时目标检测模型SMS-Det：硬件资源优化与性能突破

为解决DNN硬件加速器中资源利用率低、层间同步延迟高的问题，中国科学技术大学团队提出创新性单阶段目标检测框架SMS-Det。该模型采用并行浅层子网架构，通过特征融合层(FFL)实现多尺度信息交互，结合轻量化模块RCB和知识蒸馏技术MSP-KD，在MS COCO数据集上实现42.6% mAP，推理速度达156 FPS，较YOLOv5-S提升51.4%。研究为实时视觉系统提供了硬件友好的高效解决方案。

　　

在自动驾驶和安防监控等领域，实时目标检测技术正面临严峻挑战。尽管基于深度神经网络(DNN)的算法如YOLO系列和Faster R-CNN已取得显著进展，但现有模型在硬件加速器(如GPU/TPU)部署时暴露出两大痛点：一是串行计算模式导致硬件资源利用率不足，二是深层网络结构引发昂贵的层间同步延迟。这些问题严重制约了实时系统的响应速度与能效比，成为制约行业发展的技术瓶颈。

中国科学技术大学的研究团队在《Engineering Applications of Artificial Intelligence》发表的研究中，提出革命性的Shallow Multi-Subnet Detector(SMS-Det)框架。该研究通过三大技术创新实现突破：1) 采用三并行浅层子网架构降低网络深度，将同步延迟减少42%；2) 设计轻量化可重参数卷积块(RCB)，通过结构重参数化技术将推理时的双点卷积合并为单层；3) 开发多尺度投影知识蒸馏(MSP-KD)，利用通道注意力机制强化特征映射。关键技术还包括快速下采样模块(FDM)生成三尺度特征图，以及特征融合层(FFL)实现跨子网信息交互。

研究结果部分显示：在MS COCO测试中，SMS-Det以19.4 GFLOPs计算量和1100万参数实现42.6% mAP，显著超越YOLOv5-S(37.4%)。速度方面达到156 FPS，较对比模型提升51.4%。消融实验证实三子网架构在延迟与精度间取得最佳平衡，FFL使小目标检测AP_S提升3.2%。知识蒸馏策略进一步将模型压缩率提高28%，同时保持98%的教师模型性能。

结论部分强调，SMS-Det通过硬件感知的架构设计，首次实现同步延迟降低与资源利用率提升的双重优化。其并行计算特性使TPU利用率达91%，较传统模型提高35个百分点。该研究不仅为边缘计算设备提供了可行的部署方案，其多尺度特征融合机制更为复杂场景下的目标检测开辟了新思路。团队指出，未来工作将探索动态子网数量调节机制，以适配不同计算平台的资源约束。