面向资源受限平台上噪声鲁棒深度学习的预处理专家混合模型
机器学习
2019-04-30 v1 计算机视觉与模式识别
机器学习
摘要
边缘设备上的深度学习由于不断缩减的功耗预算而需要高能效运行。为延长电池寿命而在数据采集时有意采用低质量数据,以及来自低成本传感器的自然噪声,降低了目标输出的质量,阻碍了深度学习在边缘设备上的应用。为克服这些问题,我们提出简单而高效的预处理专家混合(MoPE)模型,以处理包括低分辨率和噪声图像在内的各种图像失真。我们还提出使用对抗训练的自编码器作为噪声图像的预处理专家。我们在多个机器学习任务上评估了所提方法,包括MS-COCO 2014数据集上的目标检测、MOT-Challenge数据集上的多目标跟踪问题,以及UCF 101数据集上的人类活动分类。实验结果表明,该方法在噪声下实现了更好的检测、跟踪和活动分类精度,且不牺牲干净图像上的精度。我们提出的MoPE相比基线目标检测网络,在内存与计算上的开销分别为0.67%和0.17%。
引用
@article{arxiv.1904.12426,
title = {Mixture of Pre-processing Experts Model for Noise Robust Deep Learning on Resource Constrained Platforms},
author = {Taesik Na and Minah Lee and Burhan A. Mudassar and Priyabrata Saha and Jong Hwan Ko and Saibal Mukhopadhyay},
journal= {arXiv preprint arXiv:1904.12426},
year = {2019}
}