FCN-Pose: 面向受限设备的剪枝与量化CNN机器人姿态估计
计算机视觉与模式识别
2022-05-27 v1 人工智能
摘要
IoT设备受限于处理器、RAM和磁盘存储等资源。当处理如深度学习这类以高计算需求著称的苛刻应用时,这些限制尤为明显。机器人姿态估计便是一例,该应用预测目标图像的关键点。缓解处理与存储问题的一种方法是压缩该深度学习应用。本文提出一种用于姿态估计的新CNN,同时应用剪枝与量化压缩技术以降低其需求并改善响应时间。剪枝过程减少了推理所需的总参数量,量化则降低了浮点数的精度。我们使用机械臂的姿态估计任务运行该方法,并在高端设备与受限设备上比较结果。作为指标,我们考虑每秒浮点运算数(Floating-point Operations Per Second, FLOPS)、数学计算总量、参数量、推理时间以及每秒处理的视频帧数。此外,我们进行了定性评估,将每个剪枝网络预测的输出图像与对应的原始网络进行比较。我们将原提出网络剪枝至70%剪枝率,意味着参数减少88.86%,FLOPS减少94.45%,磁盘存储需求减少70%,而误差仅增加。在输入图像处理方面,该指标在桌面场景下从11.71 FPS提升至41.9 FPS。在使用受限设备时,图像处理从2.86 FPS提升至10.04 FPS。所提方法实现的更高图像帧处理率允许更短的响应时间。
引用
@article{arxiv.2205.13272,
title = {FCN-Pose: A Pruned and Quantized CNN for Robot Pose Estimation for Constrained Devices},
author = {Marrone Silvério Melo Dantas and Iago Richard Rodrigues and Assis Tiago Oliveira Filho and Gibson Barbosa and Daniel Bezerra and Djamel F. H. Sadok and Judith Kelner and Maria Marquezini and Ricardo Silva},
journal= {arXiv preprint arXiv:2205.13272},
year = {2022}
}