基于分层神经网络的低功耗目标计数
计算机视觉与模式识别
2020-07-06 v1
摘要
深度神经网络（DNN）在许多计算机视觉任务（如目标计数）中可以达到最先进的精度。目标计数接受两个输入：一张图像和一个目标查询，并报告查询目标出现的次数。为了在此类任务上实现高精度，DNN需要数十亿次操作，这使得它们难以部署在资源受限、低功耗的设备上。先前的工作表明，大量DNN操作是冗余的，可以在不影响精度的情况下消除。为了减少这些冗余，我们提出了一种用于目标计数的分层DNN架构。该架构使用区域提议网络（RPN）来提议可能包含查询目标的感兴趣区域（RoI）。然后，一个分层分类器高效地找到实际包含查询目标的RoI。该层次结构包含视觉相似目标类别的分组。在层次结构的每个节点上使用小型DNN来对这些组进行分类。RoI由分层分类器增量处理。如果RoI中的目标与查询目标属于同一组，则层次结构中的下一个DNN进一步处理该RoI；否则，丢弃该RoI。通过使用几个小型DNN处理每张图像，与现有目标计数器相比，该方法在精度损失可忽略的情况下减少了内存需求、推理时间、能耗和操作数量。
引用
@article{arxiv.2007.01369,
title = {Low-Power Object Counting with Hierarchical Neural Networks},
author = {Abhinav Goel and Caleb Tung and Sara Aghajanzadeh and Isha Ghodgaonkar and Shreya Ghosh and George K. Thiruvathukal and Yung-Hsiang Lu},
journal= {arXiv preprint arXiv:2007.01369},
year = {2020}
}
备注
Paper accepted to ISLPED 2020: ACM/IEEE International Symposium on Low Power Electronics and Design