HiRISE：通过传感器内压缩与选择性ROI实现边缘ML的高分辨率图像缩放
计算机视觉与模式识别
2024-08-09 v1
摘要
随着由机器学习（ML）驱动的微型物联网设备的兴起，许多研究人员已将注意力转向压缩模型以适配微型边缘设备。近期研究已在小型内存微控制器（如 512kB SRAM）上压缩用于目标检测和图像分类的 ML 模型方面取得了显著成功。然而，仍存在许多挑战阻碍着需要高分辨率图像的 ML 系统的部署。由于微型物联网设备在存储容量上的根本限制，若无外部硬件，存储大型图像可能在物理上不可行。为此，我们提出了一种面向边缘 ML 的高分辨率图像缩放系统 HiRISE，该系统利用模拟传感器内图像缩放技术配备了选择性感兴趣区域（ROI）能力。我们的方法不仅显著降低了峰值内存需求，而且实现了高达 17.7 倍的数据传输和能耗减少。
引用
@article{arxiv.2408.03956,
title = {HiRISE: High-Resolution Image Scaling for Edge ML via In-Sensor Compression and Selective ROI},
author = {Brendan Reidy and Sepehr Tabrizchi and Mohamadreza Mohammadi and Shaahin Angizi and Arman Roohi and Ramtin Zand},
journal= {arXiv preprint arXiv:2408.03956},
year = {2024}
}
备注
10 pages, 8 figures