一种基于深度学习与多线性特征空间的加速方法
计算机视觉与模式识别
2021-10-19 v1
摘要
计算机视觉在高级辅助系统中起着关键作用。大多数计算机视觉系统基于深度卷积神经网络（deep CNN）架构。然而，运行 CNN 算法所需的高计算资源十分苛刻。因此，加速计算的方法已成为一个相关的研究课题。尽管文献中发现了若干关于架构精简的工作，但针对嵌入式实时系统应用尚未取得令人满意的结果。本文提出一种基于多线性特征空间（MFS）方法的替代方案，借助从大型 CNN 架构迁移学习来实现。所提方法使用 CNN 生成特征图，尽管它并非作为复杂度缩减方法。训练过程后，生成的特征图被用于创建向量特征空间。我们利用这一新向量空间对任意新样本进行投影以分类。我们的方法称为 AMFC，使用预训练 CNN 的迁移学习来减少新样本图像的分类时间，且精度损失极小。我们的方法使用 VGG-16 模型作为基础 CNN 架构进行实验；不过，该方法适用于任何类似的 CNN 模型。利用知名的 Vehicle Image Database 与 German Traffic Sign Recognition Benchmark，我们将原始 VGG-16 模型与 AMFC 方法的分类时间进行比较，我们的方法平均快 17 倍。快速的分类时间降低了需要大型 CNN 架构的嵌入式应用中的计算与内存需求。
引用
@article{arxiv.2110.08679,
title = {An Acceleration Method Based on Deep Learning and Multilinear Feature Space},
author = {Michel Vinagreiro Edson Kitani Armando Lagana Leopoldo Yoshioka},
journal= {arXiv preprint arXiv:2110.08679},
year = {2021}
}
备注
20 pages, International Journal of Artificial Intelligence and Applications