树莓派上用于图像分类的高效卷积神经网络
计算机视觉与模式识别
2026-02-06 v4
摘要
随着深度学习算法在计算机视觉（CV）领域的良好表现，卷积神经网络（CNN）架构已成为计算机视觉任务的主要骨干。随着移动设备的广泛使用，基于低算力平台的神经网络模型逐渐受到关注。然而，由于算力限制，深度学习算法通常无法在移动设备上使用。本文提出一种轻量卷积神经网络 TripleNet，可轻松在树莓派上运行。借鉴 ThreshNet 中块连接的概念，新提出的网络模型压缩并加速了网络模型，减少了网络参数量，并在保证准确率的同时缩短了每幅图像的推理时间。我们提出的 TripleNet 与其他最先进（SOTA）神经网络在树莓派上使用 CIFAR-10 和 SVHN 数据集进行图像分类实验。实验结果表明，与 GhostNet、MobileNet、ThreshNet、EfficientNet 和 HarDNet 相比，TripleNet 每幅图像的推理时间分别缩短了 15%、16%、17%、24% 和 30%。本工作的详细代码见 https://github.com/RuiyangJu/TripleNet。
引用
@article{arxiv.2204.00943,
title = {Efficient Convolutional Neural Networks on Raspberry Pi for Image Classification},
author = {Rui-Yang Ju and Ting-Yu Lin and Jia-Hao Jian and Jen-Shiun Chiang},
journal= {arXiv preprint arXiv:2204.00943},
year = {2026}
}