一种带自动数据修剪的超小规模监督ODL核心用于人类动作识别
机器学习
2024-09-30 v2 硬件体系结构
摘要
本文提出一种低成本低功耗的超小规模监督式设备内学习（ODL）核心，可解决人类动作识别中输入数据分布性迁移问题。虽然近期研究了资源受限边缘设备的ODL，但如何在运行时为这些设备提供训练标签仍是开放问题。为此，我们提出将自动数据修剪与监督ODL结合，以减少从附近教师设备获取预测标签的查询次数，从而降低模型再训练期间的功耗。数据修剪阈值自动调节，消除人工阈值调校。作为人类动作识别的tinyML解决方案（功耗仅几毫瓦），我们设计了支持自动数据修剪的监督ODL核心，采用45nm CMOS工艺。我们展示，该核心所需存储空间小于相同形状的多层感知器（MLP），功耗仅为3.39mW。使用人类动作识别数据集实验表明，所提出的自动数据修剪将通信量降低55.7%，功耗相应降低，仅损失0.9%准确率。
引用
@article{arxiv.2408.01283,
title = {A Tiny Supervised ODL Core with Auto Data Pruning for Human Activity Recognition},
author = {Hiroki Matsutani and Radu Marculescu},
journal= {arXiv preprint arXiv:2408.01283},
year = {2024}
}
备注
IEEE BSN 2024