面向低分辨率红外阵列上隐私保护人数统计的高效深度学习模型
计算机视觉与模式识别
2023-12-06 v2 机器学习
摘要
超低分辨率红外（IR）阵列传感器为人数统计提供了一种低成本、节能且保护隐私的方案，其应用包括占用监测。先前工作表明深度学习（DL）在该任务上可取得优越性能。然而，文献中缺乏针对基于红外阵列的人数统计的各种高效 DL 架构的广泛比较分析，该分析需同时考虑其精度以及在内存与能耗受限的物联网（IoT）边缘节点上部署的成本。在本工作中，我们通过在一个由商用 8x8 阵列采集的红外图像组成的新数据集（已公开）上比较 6 种不同 DL 架构来满足这一需求。通过对每类模型进行广泛的架构探索，我们获得了一组丰富的帕累托最优解，其交叉验证平衡准确率得分范围为 55.70–82.70%。当部署于意法半导体的商用微控制器（MCU）STM32L4A6ZG 上时，这些模型占用 0.41–9.28kB 内存，每次推理需 1.10–7.74ms，同时消耗 17.18–120.43 J 能量。我们的模型比先前的确定性方法显著更准确（最高 +39.9%），同时快至多 3.53 倍且更节能。此外，尽管复杂度低得多，我们模型的精度与类似分辨率传感器上的最先进 DL 方案相当。我们的所有模型均能在基于 MCU 的 IoT 节点上实现连续实时推理，并可自主运行数年无需充电。
引用
@article{arxiv.2304.06059,
title = {Efficient Deep Learning Models for Privacy-preserving People Counting on Low-resolution Infrared Arrays},
author = {Chen Xie and Francesco Daghero and Yukai Chen and Marco Castellano and Luca Gandolfi and Andrea Calimera and Enrico Macii and Massimo Poncino and Daniele Jahier Pagliari},
journal= {arXiv preprint arXiv:2304.06059},
year = {2023}
}
备注
This article has been accepted for publication in IEEE Internet of Things Journal; Fixed typos