基于分层神经网络的低功耗多摄像头目标重识别
计算机视觉与模式识别
2021-06-22 v1 图像与视频处理
摘要
嵌入式设备上的低功耗计算机视觉具有诸多应用。本文描述一种用于目标重识别 (reID) 问题的低功耗技术：将查询图像与已见图像库进行匹配。SOTA 技术依赖大型、计算密集的深度神经网络 (DNNs)。我们提出一种新颖的分层 DNN 架构，利用训练数据集中的属性标签来高效执行目标重识别。在分层的每个节点，一个小 DNN 识别查询图像的不同属性。每个叶节点处的小 DNN 专门为重识别图库的一个子集：仅具有从根到叶路径上所识别属性的图像。因此，查询图像经少量小 DNN 处理后被准确重识别。我们将方法与 SOTA 目标重识别技术比较。在精度损失 4% 的情况下，我们的方法实现了显著的资源节省：内存减少 74%、运算量减少 72%、查询延迟降低 67%，能耗降低 65%。
引用
@article{arxiv.2106.10588,
title = {Low-Power Multi-Camera Object Re-Identification using Hierarchical Neural Networks},
author = {Abhinav Goel and Caleb Tung and Xiao Hu and Haobo Wang and James C. Davis and George K. Thiruvathukal and Yung-Hsiang Lu},
journal= {arXiv preprint arXiv:2106.10588},
year = {2021}
}
备注
Accepted to ISLPED 2021