面向边缘端目标检测的增量式知识迁移实现
计算机视觉与模式识别
2020-06-09 v2
摘要
使用深度神经网络（DNNs）进行目标检测涉及大量计算，阻碍其在资源/能量受限的用户端设备上的部署。DNNs 成功的原因在于其具备对观测环境所有不同领域的知识。然而，在推理时我们只需要观测环境的有限知识，这可通过浅层神经网络（SHNN）学习得到。本文提出一种系统级设计，以改善用户端设备上的目标检测能耗。在用户端设备上部署 SHNN 以检测观测环境中的物体。同时，实现了一种知识迁移机制，当物体领域发生变化时，利用 DNN 知识更新 SHNN 模型。DNN 知识可从通过 LAN 或 Wi-Fi 连接到用户端设备的强大边缘设备获取。实验表明，与在用户端设备上运行深度模型相比，用户端设备的能耗和推理时间分别改善了 78% 和 71%。
引用
@article{arxiv.2004.05746,
title = {Enabling Incremental Knowledge Transfer for Object Detection at the Edge},
author = {Mohammad Farhadi Bajestani and Mehdi Ghasemi and Sarma Vrudhula and Yezhou Yang},
journal= {arXiv preprint arXiv:2004.05746},
year = {2020}
}
备注
2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshop (CVPRW)