HyNNA：基于混合神经网络架构改进神经形态视觉传感器监控性能
图像与视频处理
2020-03-20 v1 计算机视觉与模式识别
机器学习
摘要
视频物联网（IoVT）领域的应用对功耗与面积有极为严格的约束。尽管神经形态视觉传感器（NVS）在该领域相较传统成像器可能具备优势，现有 NVS 系统要么不满足功耗约束，要么尚未展示端到端系统性能。为此，我们改进了近期提出的混合事件-帧方法，使用形态学图像处理算法进行区域提议，并通过探索多种卷积神经网络（CNN）架构来满足目标检测与分类的低功耗需求。具体而言，我们将所得目标检测框架与最先进的低功耗 NVS 监控系统进行对比，显示出准确率从 63.1% 提升至 82.16%。此外，我们表明使用多比特并不能提升准确率，因此系统设计师可仅使用单比特事件极性信息来节省功耗与面积。另外，我们探索了用于目标分类的 CNN 架构空间，并展示了以更少内存与算术操作权衡准确率与更低功耗的有用见解。
引用
@article{arxiv.2003.08603,
title = {HyNNA: Improved Performance for Neuromorphic Vision Sensor based Surveillance using Hybrid Neural Network Architecture},
author = {Deepak Singla and Soham Chatterjee and Lavanya Ramapantulu and Andres Ussa and Bharath Ramesh and Arindam Basu},
journal= {arXiv preprint arXiv:2003.08603},
year = {2020}
}
备注
4 pages, 2 figures