用于交通标志识别的低成本超轻量级二值神经网络
人工智能
2025-01-15 v1 计算机视觉与模式识别
图像与视频处理
摘要
在车辆平台和可穿戴人工智能物联网（AIOT）场景中部署神经网络已成为备受瞩目的研究领域。随着深度学习技术的不断演进，许多图像分类模型致力于提高识别准确率，但这往往伴随着模型资源占用大、结构复杂和功耗高等问题，这使得在资源受限的平台上部署具有挑战性。在此，我们提出了一种专为硬件部署设计的超轻量级二值神经网络（BNN）模型，并基于德国交通标志识别基准（GTSRB）数据集进行图像分类研究。此外，我们还在中文交通标志（CTS）和比利时交通标志（BTS）数据集上对其进行了验证。所提出的模型展现出优异的识别性能，准确率高达 97.64%，使其成为 GTSRB 数据集上性能最好的 BNN 模型之一。与全精度模型相比，准确率损失控制在 1% 以内，且模型的参数存储开销仅为全精度模型的 10%。更重要的是，我们的网络模型在推理阶段仅依赖逻辑运算和低位宽定点加减运算，这极大简化了处理单元（PE）的设计复杂度。我们的研究表明了 BNN 在计算机视觉模型硬件部署方面的巨大潜力，尤其是在与自动驾驶相关的计算机视觉任务领域。
引用
@article{arxiv.2501.07808,
title = {A Low-cost and Ultra-lightweight Binary Neural Network for Traffic Signal Recognition},
author = {Mingke Xiao and Yue Su and Liang Yu and Guanglong Qu and Yutong Jia and Yukuan Chang and Xu Zhang},
journal= {arXiv preprint arXiv:2501.07808},
year = {2025}
}