低功耗深度学习与计算机视觉方法综述
计算机视觉与模式识别
2020-03-26 v1
摘要
深度神经网络（DNN）在许多计算机视觉任务中表现成功。然而，最精确的 DNN 需要数百万参数与运算，使其成为能耗、计算和内存密集型。这阻碍了大型 DNN 在算力受限的低功耗设备上的部署。近期研究通过在不显著降低精度的前提下减少内存需求、能耗和运算数量来改进 DNN 模型。本文综述低功耗深度学习与计算机视觉（特别是推理方面）的进展，并讨论压缩和加速 DNN 模型的方法。这些技术可分为四大类：（1）参数量化与剪枝，（2）压缩卷积滤波器与矩阵分解，（3）网络架构搜索，以及（4）知识蒸馏。我们分析了每一类中技术的精度、优势、劣势及潜在解决方案。我们还讨论了作为未来研究指导的新评估指标。
引用
@article{arxiv.2003.11066,
title = {A Survey of Methods for Low-Power Deep Learning and Computer Vision},
author = {Abhinav Goel and Caleb Tung and Yung-Hsiang Lu and George K. Thiruvathukal},
journal= {arXiv preprint arXiv:2003.11066},
year = {2020}
}
备注
Accepted for publication at 2020 IEEE 6th World Forum on Internet of Things (WF-IoT), New Orleans, LA, USA 2020