DSORT-MCU：基于单片机的实时小目标检测
计算机视觉与模式识别
2024-10-23 v1
摘要
轻量化神经网络的快速发展已彻底变革了物联网应用中广泛的计算机视觉领域，涵盖远程监控和过程自动化等场景。然而，对于这些许多应用至关重要的小目标检测，目前计算机视觉研究中尤其是在资源受限的低功耗嵌入式设备上仍属未被充分探索的领域。为此，本文提出一种适用于轻量化且高能效目标检测网络的自适应瓦片方法，包括基于YOLO模型和流行的FOMO网络。该瓦片方法使小型MCU能够进行目标检测，且在准确率上不必为大规模检测模型所牺牲。通过将其应用于FOMO和TinyissimoYOLO网络于一个新建的基于RISC-V的MCU（集成机器学习加速器）上，展示了所提方法的优势。大量实验结果表明，所提瓦片方法使FOMO和TinyissimoYOLO网络的F1分数提升最高可达225%，在FOMO下将平均目标计数误差降低最高可达76%，在TinyissimoYOLO下可降低最高可达89%。此外，本研究发现，使用软F1损失而非流行的二元交叉熵损失，可作为FOMO网络的隐式非极大值抑制。为评估实际应用性能，我们将网络部署在来自GreenWaves Technologies的基于RISC-V的GAP9单片机上，展示了所提方法在MCU上进行多次高分辨率图像预测时，能够在检测性能（58%~95% F1分数）、低延迟（0.6 ms/推理~16.2 ms/推理）和能效（31 μJ/推理~1.27 mJ/推理）之间取得平衡。
引用
@article{arxiv.2410.16769,
title = {DSORT-MCU: Detecting Small Objects in Real-Time on Microcontroller Units},
author = {Liam Boyle and Julian Moosmann and Nicolas Baumann and Seonyeong Heo and Michele Magno},
journal= {arXiv preprint arXiv:2410.16769},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2311.07163