关键词检测的端到端效率：面向嵌入式微控制器的系统级方法
声音
2026-01-26 v1 机器学习
摘要
关键词检测（KWS）是嵌入式和物联网设备中免手动交互的关键使能技术，在这些设备中，严格的内存和能量限制挑战着 AI 使能设备的部署。在这项工作中，我们系统地评估并比较了几种最先进的轻量级神经网络架构，包括 DS-CNN、LiCoNet 和 TENet，以及我们提出的基于 MobileNet 构建的 Typman-KWS (TKWS) 架构，该架构专为在微控制器单元（MCUs）上进行高效 KWS 而设计。与先前仅关注模型推理的研究不同，我们的分析涵盖了整个处理流程，从 Mel 频率倒谱系数（MFCC）特征提取到神经推理，并在三个 STM32 平台（N6、H7 和 U5）上进行了基准测试。我们的结果表明，具有三个残差块的 TKWS 仅用 14.4k 参数就实现了高达 92.4% 的 F1 分数，在不影响准确率的情况下减少了内存占用。此外，带有集成神经加速器的 N6 MCU 实现了最佳能量延迟积（EDP），即使在高分辨率特征下也能实现高效、低延迟的操作。我们的发现强调，仅模型准确率并不能决定实际世界的有效性；相反，最佳的关键词检测部署需要仔细考虑特征提取参数和特定于硬件的优化。
引用
@article{arxiv.2509.07051,
title = {End-to-End Efficiency in Keyword Spotting: A System-Level Approach for Embedded Microcontrollers},
author = {Pietro Bartoli and Tommaso Bondini and Christian Veronesi and Andrea Giudici and Niccolò Antonello and Franco Zappa},
journal= {arXiv preprint arXiv:2509.07051},
year = {2026}
}
备注
4 pages, 2 figures, 1 table. Accepted for publication in IEEE Sensors 2025. \c{opyright} 2025 IEEE. Personal use permitted. Permission from IEEE required for all other uses