面向实时节能目标跟踪的孪生神经网络优化
计算机视觉与模式识别
2021-03-30 v1 机器学习
图像与视频处理
摘要
本文介绍了针对嵌入式视觉系统使用孪生神经网络进行视觉目标跟踪优化的研究。研究假定该方案应以尽可能低的能耗实时运行， preferably 处理高分辨率视频流。为满足这些要求，考虑了降低计算精度和剪枝等技术。使用了 Brevitas——一个专用于 FPGA 实现的神经网络优化与量化的工具。测试了多种具有不同优化级别的训练场景——从 16 位整型均匀量化到三值和二值网络。随后，评估了这些优化对跟踪性能的影响。相较于原始网络，卷积滤波器的大小可缩减多达 10 倍。所得结果表明，使用量化可显著降低所提网络的内存与计算复杂度，同时仍能实现精确跟踪，从而使其可用于嵌入式视觉系统。此外，权重量化通过减少过拟合对网络训练产生积极影响。
引用
@article{arxiv.2007.00491,
title = {Optimisation of a Siamese Neural Network for Real-Time Energy Efficient Object Tracking},
author = {Dominika Przewlocka and Mateusz Wasala and Hubert Szolc and Krzysztof Blachut and Tomasz Kryjak},
journal= {arXiv preprint arXiv:2007.00491},
year = {2021}
}
备注
12 pages, accepted for ICCVG 2020