用于图像检索的 ASIC 引擎上深度卷积神经网络的 2-bit 模型压缩
人工智能
2019-05-10 v1
摘要
图像检索利用图像描述符来检索与给定查询图像最相似的图像。卷积神经网络（CNN）正成为提取图像检索所用图像描述符的主流方法。对于图像检索的低功耗硬件实现，基于 CNN 的特征描述符的缺点是它需要数百兆字节的存储。为解决该问题，本文在用于图像检索的 ASIC 芯片上对 CNN 应用深度模型量化与压缩。结果表明，基于 CNN 的特征描述符可使用少至 2-bit 权重量化来提取，从而提供与浮点模型相似的图像检索性能。此外，为了在 ASIC 中实现 CNN，尤其是针对大规模图像，应考虑芯片有限的缓冲大小。为检索大规模图像，我们提出了一种改进池化策略——区域嵌套不变性池化（RNIP），其使用裁剪的子图像送入 CNN。片上测试结果显示，将 RNIP 与所提出的 2-bit CNN 模型压缩方法相集成能够检索大规模图像。
引用
@article{arxiv.1905.03362,
title = {2-bit Model Compression of Deep Convolutional Neural Network on ASIC Engine for Image Retrieval},
author = {Bin Yang and Lin Yang and Xiaochun Li and Wenhan Zhang and Hua Zhou and Yequn Zhang and Yongxiong Ren and Yinbo Shi},
journal= {arXiv preprint arXiv:1905.03362},
year = {2019}
}