MicronNet：一种用于实时嵌入式交通标志分类的高度紧凑深度卷积神经网络架构
计算机视觉与模式识别
2018-10-04 v3 神经与进化计算
摘要
交通标志识别对于智能交通监控与分析等许多现实应用而言是一项非常重要的计算机视觉任务。尽管深度神经网络近年已被证明可提供最先进的交通标志识别性能，但启用深度神经网络广泛用于嵌入式交通标志识别的一个关键挑战是此类网络的高计算与内存需求。因此，研究更适合嵌入式设备的紧凑型深度神经网络架构用于交通标志识别具有显著益处。本文提出MicronNet，一种基于宏架构设计原则（如频谱宏架构增强、参数精度优化等）以及数值微架构优化策略设计的、用于实时嵌入式交通标志识别的高度紧凑深度卷积神经网络。由此得到的MicronNet整体架构在保持识别性能的同时尽可能减少参数与计算量，从而实现了所提网络的信息密度优化。最终MicronNet的模型大小仅约1MB、参数约510,000个（比最先进模型少约27倍），同时在德国交通标志识别基准上仍达到98.9%的接近人类水平的top-1准确率。此外，MicronNet执行推理仅需约1000万次乘加运算，在Cortex-A53高效处理器上的计算时间仅为32.19毫秒。这些实验结果表明，可为实时交通标志识别设计高度紧凑、优化的深度神经网络架构，且其非常适用于嵌入式场景。
引用
@article{arxiv.1804.00497,
title = {MicronNet: A Highly Compact Deep Convolutional Neural Network Architecture for Real-time Embedded Traffic Sign Classification},
author = {Alexander Wong and Mohammad Javad Shafiee and Michael St. Jules},
journal= {arXiv preprint arXiv:1804.00497},
year = {2018}
}
备注
11 pages