利用对数梯度输入图像提升 tinyML 计算机视觉的能效与鲁棒性
图像与视频处理
2022-03-08 v1 计算机视觉与模式识别
摘要
本文研究了将对数梯度输入图像应用于卷积神经网络（CNNs）用于 tinyML 计算机视觉（CV）的优势。我们表明对数梯度可实现：(i) 对首层输入的激进 1.5-bit 量化，(ii) 潜在的 CNN 资源缩减，以及 (iii) 对照明变化的内在鲁棒性（在 1/32...8 亮度变化下 1.7% 的精度损失，而 JPEG 最高达 10%）。我们使用 PASCAL RAW 图像数据集并通过神经架构搜索与固定三层网络相结合的实验确立了这些结果。后者揭示，在对数梯度图像上训练导致更高的滤波器相似性，使 CNN 更易于剪枝。激进的首层量化、CNN 资源缩减，以及无需严格曝光控制与图像信号处理（ISP）即可运行的综合优势，有助于将 tinyML CV 推向其终极效率极限。
引用
@article{arxiv.2203.02571,
title = {Improving the Energy Efficiency and Robustness of tinyML Computer Vision using Log-Gradient Input Images},
author = {Qianyun Lu and Boris Murmann},
journal= {arXiv preprint arXiv:2203.02571},
year = {2022}
}
备注
8 pages