面向资源受限设备的硬件感知神经特征提取
机器学习
2026-05-08 v2
摘要
视觉SLAM是空间计算系统的核心组件，但在单片机级硬件上部署学习型局部特征提取器仍具有挑战，因为存在内存、带宽和量化限制。虽然现代神经描述符提供了强大的鲁棒性，但其实际采用往往受制于未被FLOP基准效率指标所捕捉的系统级瓶颈。本文引入Gideon，一个面向资源受限设备的硬件感知神经特征提取器。我们的方案综合了来自SuperPoint教师的关系知识蒸馏与严格内存和算子约束下的可微分神经架构搜索（DNAS）。不同于常规设计管道，我们将量化稳定性和动态范围紧凑性作为一等目标。我们表明，替换批量归一化为仿射层的结构选择显著提高INT8鲁棒性，特征描述符维度直接决定量化恢复能力。在STM32N6上，Gideon实现了9.003 ms的推理时间（111 fps），同时保持在1.5 MB以下的内存占用。令人惊讶的是，INT8量化几乎不会导致性能下降，甚至时常匹配全精度性能。这些结果表明，通过整体硬件-算法协同设计，可以将稳健的学习特征提取与嵌入式硬件约束相协调。
引用
@article{arxiv.2605.04282,
title = {Hardware-Aware Neural Feature Extraction for Resource-Constrained Devices},
author = {Francesco Tosini and Simone Pedroni and Christian Veronesi and Pietro Bartoli and Andrea Giudici and Marco Paracchini and Marco Marcon and Diana Trojaniello},
journal= {arXiv preprint arXiv:2605.04282},
year = {2026}
}
备注
This paper has been accepted for publication at the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026. \c{opyright}IEEE