面向ADAS实时部署的多任务网络剪枝与嵌入式优化
计算机视觉与模式识别
2021-01-22 v1 机器学习
摘要
基于摄像头的深度学习算法在自动驾驶系统的感知中需求日益增长。然而，汽车行业的约束通过限定计算资源受限的嵌入式系统，对CNN的部署提出了挑战。本文提出一种在此类条件下于商用原型平台（即一款低功耗片上系统(SoC)，以10 FPS处理四个环视鱼眼摄像头）上嵌入多任务CNN网络的方法。首要重点是设计高效紧凑的多任务网络架构。其次，应用剪枝方法压缩CNN，在不显著降低性能的情况下将运行时间与内存占用减少为原来的二分之一。最后，提出多种嵌入式优化技术，如混合量化格式的使用以及不同存储区域间的高效数据传输，以确保实时执行并避免带宽瓶颈。该方法在硬件平台上从嵌入式检测性能、运行时间和内存带宽方面进行了评估。与文献中多数聚焦于分类任务的工作不同，我们旨在研究剪枝与量化对具备目标检测、语义分割和污渍检测任务的紧凑多任务网络的影响。
引用
@article{arxiv.2101.07831,
title = {Multi-Task Network Pruning and Embedded Optimization for Real-time Deployment in ADAS},
author = {Flora Dellinger and Thomas Boulay and Diego Mendoza Barrenechea and Said El-Hachimi and Isabelle Leang and Fabian Bürger},
journal= {arXiv preprint arXiv:2101.07831},
year = {2021}
}
备注
Accepted at workshop on Machine Learning for Autonomous Driving (NeurIPS 2020)