边缘端速率受限目标检测的特征压缩
图像与视频处理
2022-04-18 v1 计算机视觉与模式识别
分布式、并行与集群计算
摘要
计算机视觉的最新进展引发了在移动设备上部署视觉分析模型的增长兴趣。然而，大多数移动设备计算能力有限，无法运行大规模视觉分析神经网络。解决该问题的一个新兴方法是将这些神经网络的计算卸载到边缘服务器的计算资源上。高效的计算卸载需要优化多个目标之间的权衡，包括压缩数据率、分析性能和计算速度。在本工作中，我们考虑一种“拆分计算”系统来卸载 YOLO 目标检测模型的部分计算。我们提出一种可学习的特征压缩方法，以轻量计算压缩 YOLO 的中间特征。我们将特征压缩与解压缩模块同 YOLO 模型一起训练，以在速率约束下优化目标检测精度。与在移动端采用标准图像压缩或学习图像压缩、在边缘端进行图像解压缩和 YOLO 的基线方法相比，所提系统在低到中速率范围内实现了更高的检测精度。此外，所提系统在仅配备 CPU 的移动设备上所需的计算时间显著更低。
引用
@article{arxiv.2204.07314,
title = {Feature Compression for Rate Constrained Object Detection on the Edge},
author = {Zhongzheng Yuan and Samyak Rawlekar and Siddharth Garg and Elza Erkip and Yao Wang},
journal= {arXiv preprint arXiv:2204.07314},
year = {2022}
}