面向ARM计算平台基于CondenseNeXt的图像分类
计算机视觉与模式识别
2021-06-29 v1 人工智能
机器学习
摘要
本文展示了我们超高效深度卷积神经网络架构CondenseNeXt在NXP BlueBox上的实现，该平台是为自动驾驶车辆开发的自动驾驶开发平台。我们表明CondenseNeXt在FLOPs方面极为高效，专为计算资源有限的基于ARM的嵌入式计算平台设计，并且无需CUDA支持的GPU即可执行图像分类。CondenseNeXt利用最先进的可分离深度卷积和模型压缩技术来实现卓越的计算效率。在CIFAR-10、CIFAR-100和ImageNet数据集上进行了广泛分析以验证CondenseNeXt卷积神经网络(CNN)架构的性能。它在三个基准数据集上实现了最先进的图像分类性能，包括CIFAR-10(4.79% top-1误差)、CIFAR-100(21.98% top-1误差)和ImageNet(7.91%单模型单裁剪top-5误差)。与CondenseNet相比，CondenseNeXt最终实现训练模型尺寸减小2.9+ MB，前向FLOPs最多减少59.98%，并且无需CUDA支持的GPU即可在基于ARM的计算平台上以出色效率执行图像分类。
引用
@article{arxiv.2106.14102,
title = {Image Classification with CondenseNeXt for ARM-Based Computing Platforms},
author = {Priyank Kalgaonkar and Mohamed El-Sharkawy},
journal= {arXiv preprint arXiv:2106.14102},
year = {2021}
}
备注
6 pages, 7 figures, conference, published IEEE Conference paper