FixyNN：基于迁移学习的面向移动端计算机视觉的高效硬件
计算机视觉与模式识别
2019-03-01 v1 硬件体系结构
机器学习
机器学习
摘要
基于最先进卷积神经网络（CNN）图像分类的计算机视觉任务的计算需求远超移动设备的能量预算。本文提出 FixyNN，其由一个生成通用 CNN 特征的不权重特征提取器和一个处理数据集特定 CNN 的传统可编程 CNN 加速器组成。FixyNN 的图像分类模型通过迁移学习进行端到端训练，其中公共特征提取器代表迁移部分，可编程部分在目标数据集上学习。实验结果表明，FixyNN 硬件可实现高达 26.6 TOPS/W 的极高能量效率（比同面积可编程加速器高 ）。在六个数据集上，我们通过迁移学习训练模型，精度损失 ，从而实现高达 11.2 TOPS/W——比同面积的传统可编程 CNN 加速器高效近 。
引用
@article{arxiv.1902.11128,
title = {FixyNN: Efficient Hardware for Mobile Computer Vision via Transfer Learning},
author = {Paul N. Whatmough and Chuteng Zhou and Patrick Hansen and Shreyas Kolala Venkataramanaiah and Jae-sun Seo and Matthew Mattina},
journal= {arXiv preprint arXiv:1902.11128},
year = {2019}
}
备注
10 pages, 8 figures, paper accepted at SysML2019 conference