面向低能耗低复杂度平台的紧凑循环神经网络用于声学事件检测
音频与语音处理
2020-01-30 v1 机器学习
声音
摘要
户外声学事件检测是一个令人振奋的研究领域，但受到复杂算法和深度学习技术需求的挑战，这些技术通常需要大量的计算、内存和能源资源。这一挑战阻碍了物联网（IoT）的实现，因为物联网要求高效地利用资源。然而，当前的嵌入式技术和微控制器在提升性能的同时并未牺牲能效。本文通过优化资源受限的物联网嵌入式平台上的深度学习技术，解决了边缘端的声音事件检测应用问题。贡献有两点：首先，提出了一种两阶段师生方法来使最先进的声学事件检测神经网络适配当前的微控制器；其次，我们在 ARM Cortex M4 上测试了我们的方法，特别关注与 8 位量化相关的问题。我们的嵌入式实现在 Urbansound8k 上可达到 68% 的识别准确率，与最先进性能相去不远，对每秒音频流的推理时间为 125 ms，且仅用 34.3 kB RAM 即实现 5.5 mW 的功耗。
引用
@article{arxiv.2001.10876,
title = {Compact recurrent neural networks for acoustic event detection on low-energy low-complexity platforms},
author = {Gianmarco Cerutti and Rahul Prasad and Alessio Brutti and Elisabetta Farella},
journal= {arXiv preprint arXiv:2001.10876},
year = {2020}
}