利用神经网络剪枝与 CycleGAN 在受限设备上实现图像识别
计算机视觉与模式识别
2020-09-14 v1
摘要
智能摄像头正日益用于公共空间中的监控方案。当代计算机视觉应用可用于识别需要应急服务介入的事件。智能摄像头可安装在市民特别感到不安全的地点，例如有事故历史的人行道与地下通道。智能摄像头的一个有前景的方法是边缘 AI，即在 IoT 设备上部署 AI 技术。然而，在受限设备上实现诸如使用深度神经网络（DNN）的图像识别等资源密集型技术是一项重大挑战。在本文中，我们探索两种方法来减少地下通道中当代图像识别的计算需求。首先，我们展示了成功的神经网络剪枝，即仅保留最先进 DNN 架构中 1.1% 的神经元便维持了可比的分类精度。其次，我们展示了如何使用 CycleGAN 将分布外图像转换到运行设计域。我们假定剪枝与 CycleGAN 均是智能摄像头中高效边缘 AI 的有前景赋能者。
引用
@article{arxiv.2009.05300,
title = {Enabling Image Recognition on Constrained Devices Using Neural Network Pruning and a CycleGAN},
author = {August Lidfelt and Daniel Isaksson and Ludwig Hedlund and Simon Åberg and Markus Borg and Erik Larsson},
journal= {arXiv preprint arXiv:2009.05300},
year = {2020}
}
备注
Accepted for publication in the Proc. of the 1st international workshop on Internet of Things for Emergency Management