BinaryCoP：基于二值神经网络的边缘设备COVID-19口罩佩戴与位置预测器
计算机视觉与模式识别
2021-06-18 v2 人工智能
机器学习
摘要
口罩长期以来被用于日常生活的许多领域，以防止吸入有害烟雾和颗粒物。它们也为医疗领域提供了一种双向防护空气传播疾病的有效解决方案。正确佩戴和定位口罩对其功能至关重要。卷积神经网络（CNNs）为人脸识别以及正确口罩佩戴与定位的分类提供了优异的解决方案。在持续的COVID-19大流行背景下，此类算法可用于企业大楼、机场、购物区及其他室内场所的入口，以减缓病毒传播。这些应用场景对底层计算平台提出了重大挑战。推理硬件必须廉价、小巧且节能，同时提供足够的内存和计算能力以在合理低延迟下执行准确的CNNs。为维护公众数据隐私，所有处理必须保留在边缘设备上，不与云服务器进行任何通信。为应对这些挑战，我们提出了一种用于正确面部口罩佩戴与定位的低功耗二值神经网络分类器。该分类任务在嵌入式FPGA上实现，执行高吞吐量的二值运算。分类速度可达约6400帧每秒，轻松支持多摄像头、速通门设置或人群环境中的统计采集。在单一入口或闸机部署时，空闲功耗降至1.6W，延长了设备电池寿命。我们在MaskedFace-Net数据集的四种佩戴位置上实现了高达98%的准确率。为使所有面部结构、肤色、发型和口罩类型保持同等的分类准确率，使用Grad-CAM方法测试了算法对所有对象相关特征泛化的能力。
引用
@article{arxiv.2102.03456,
title = {BinaryCoP: Binary Neural Network-based COVID-19 Face-Mask Wear and Positioning Predictor on Edge Devices},
author = {Nael Fasfous and Manoj-Rohit Vemparala and Alexander Frickenstein and Lukas Frickenstein and Walter Stechele},
journal= {arXiv preprint arXiv:2102.03456},
year = {2021}
}
备注
Accepted at IEEE IPDPS-RAW 2021