EffCNet：一种用于 NXP BlueBox 上图像分类的高效 CondenseNet
计算机视觉与模式识别
2021-11-30 v1 人工智能
机器学习
摘要
具有内置处理器的智能边缘设备在性能和物理形态上差异很大，用以执行高级计算机视觉（CV）任务，例如图像分类和目标检测。随着自动驾驶汽车和无人机、嵌入式系统及移动设备领域的不断进步，对这些计算资源受限的智能边缘设备上进行实时推理的极高效人工神经网络（ANN）的需求不断增长。在偏远地区网络连接不可靠且数据传输复杂性增加的情况下，本地捕获和处理数据而非将数据发送至云服务器进行远程处理至关重要。另一方面，边缘设备由于其廉价的硬件以及有限的散热和计算资源，提供的处理能力有限。在本文中，我们提出一种称为 EffCNet 的新型深度卷积神经网络架构，它是 CondenseNet 卷积神经网络（CNN）的改进且高效的版本，面向边缘设备，利用自查询数据增强和深度可分离卷积策略来改善实时推理性能，并减小 EffCNet CNN 的最终训练模型大小、可训练参数和浮点运算次数（FLOPs）。此外，在两个基准数据集 CIFAR-10 和 CIFAR-100 上进行了广泛的监督图像分类分析，以验证我们所提 CNN 的实时推理性能。最后，我们将这些训练权重部署在 NXP BlueBox 上，这是一个为自动驾驶车辆和无人机设计的智能边缘开发平台，并据此得出结论。
引用
@article{arxiv.2111.14243,
title = {EffCNet: An Efficient CondenseNet for Image Classification on NXP BlueBox},
author = {Priyank Kalgaonkar and Mohamed El-Sharkawy},
journal= {arXiv preprint arXiv:2111.14243},
year = {2021}
}
备注
11 pages, 10 figures, published in American Journal of Electrical and Computer Engineering