一种用于边缘设备深度学习架构部署的可扩展多标签分类方法
机器学习
2021-01-28 v3 机器学习
摘要
卷积神经网络（CNN）已在目标检测、模式识别、视频监控等诸多应用中表现良好。CNN对带标签数据进行特征提取以执行分类。多标签分类为数据集中的特定数据样本分配多于一个标签。在多标签分类中，被视为互斥的数据点属性被分类。然而，现有多标签分类需要某种形式的数据预处理，涉及图像训练数据裁剪或图像平铺。这些多标签CNN模型的计算与内存需求使其部署在边缘设备上颇具挑战。本文提出一种方法论，通过扩展现有多标签分类的能力来解决该问题，并提供在边缘设备部署时具有更低延迟、所需内存更小的模型。我们采用设计有多个损失层和多个精度层的单一CNN模型。该方法在Stanford Cars Dataset上使用AlexNet、GoogleNet和SqueezeNet等最先进深度学习算法进行测试，并部署于Raspberry Pi3。结果表明，与将多标签实例硬编码为单标签这类常规多标签分类方式相比，所提方法在生成的AlexNet、GoogleNet和SqueezeNet CNN模型上分别实现了相当的精度，MACC运算减少1.8倍，延迟降低0.97倍，模型大小分别减小0.5倍、0.84倍和0.97倍。与使用两个不同单标签模型实现多标签分类的常规方式相比，该方法生成的AlexNet、GoogleNet和SqueezeNet版本分别减少50%的MACC运算、50%的延迟和50%的大小。
引用
@article{arxiv.1911.02098,
title = {A Scalable Multilabel Classification to Deploy Deep Learning Architectures For Edge Devices},
author = {Tolulope A. Odetola and Ogheneuriri Oderhohwo and Syed Rafay Hasan},
journal= {arXiv preprint arXiv:1911.02098},
year = {2021}
}