加速深度神经网络以实现汽车信息物理系统中的高效场景理解
计算机视觉与模式识别
2021-07-21 v1 机器学习
摘要
在过去的几十年里，汽车信息物理系统（ACPS）引起了极大的关注，而这些系统中最关键的操作之一是对环境的感知。深度学习和尤其是深度神经网络（DNNs）的使用，在分析并理解来自视觉数据的复杂动态场景方面提供了令人印象深刻的成果。这些感知系统的预测时域非常短，且推理通常必须实时进行，这就强调了需要通过利用模型压缩与加速（MCA）技术，将原始大型预训练网络转化为新的更小模型。我们这项工作旨在研究适当应用新颖权重共享技术、优化可用变量与训练流程以显著加速广泛采用的 DNNs 的最佳实践。利用各种最先进的 DNN 模型在目标检测与跟踪实验中开展的广泛评估研究，提供了关于应用权重共享技术后出现的错误类型的细节，从而以可忽略的精度损失实现了显著的加速收益。
引用
@article{arxiv.2107.09101,
title = {Accelerating deep neural networks for efficient scene understanding in automotive cyber-physical systems},
author = {Stavros Nousias and Erion-Vasilis Pikoulis and Christos Mavrokefalidis and Aris S. Lalos},
journal= {arXiv preprint arXiv:2107.09101},
year = {2021}
}