面向自动驾驶紧凑型深度神经网络加速设计的人机协同设计
计算机视觉与模式识别
2019-09-13 v1 神经与进化计算
摘要
有效的深度学习开发流程对广泛的工业应用至关重要，尤其在汽车领域。典型的工业深度学习开发周期涉及定制和重新设计现成网络架构以满足目标应用的操作要求，导致机器学习从业者进行大量试错工作。这种方法极大阻碍了开发，周转时间长且所建模型质量不尽如人意。因此，一个能帮助工程师大幅加速紧凑、优化深度神经网络设计与生产的开发平台极为可取。在本联合工业案例研究中，我们考察 GenSynth AI 辅助 AI 设计平台通过人机协同设计加速自动驾驶定制优化深度神经网络设计的效能。我们通过对 GenSynth 生成的 10 种不同紧凑型深度神经网络进行定量检验来评估，这些网络基于 NASNet 的用户网络原型设计用于目标检测，面向低成本 GPU 加速嵌入式系统。此外，我们定量评估了 GenSynth 流程及基于典型工业开发流程的另外三种方法所用的人才小时数与 GPU 处理小时数。我们还量化了使用 GenSynth 生成网络进行全面测试的年度云成本节省。最后，我们通过用户反馈评估 GenSynth 流程的可用性与优点。本案例研究表明，GenSynth 易于使用，并能有效加速紧凑定制深度神经网络的设计与生产。
引用
@article{arxiv.1909.05587,
title = {Human-Machine Collaborative Design for Accelerated Design of Compact Deep Neural Networks for Autonomous Driving},
author = {Mohammad Javad Shafiee and Mirko Nentwig and Yohannes Kassahun and Francis Li and Stanislav Bochkarev and Akif Kamal and David Dolson and Secil Altintas and Arif Virani and Alexander Wong},
journal= {arXiv preprint arXiv:1909.05587},
year = {2019}
}
备注
7 pages; BMVC Workshop on Visual AI and Entrepreneurship (VAIE)