OutlierNets：用于设备端声学异常检测的高度紧凑深度自编码器网络架构
声音
2021-04-20 v2 计算机视觉与模式识别
机器学习
神经与进化计算
摘要
人类操作员常通过异常声音诊断工业机械。自动化的声学异常检测可实现机械的可靠维护。然而，深度学习驱动的异常检测方法常需大量计算资源，阻碍其在工厂中的部署。在此，我们探索一种机器驱动的设计探索策略，以创建 OutlierNets——一系列高度紧凑的深度卷积自编码器网络架构，其参数少至 686 个，模型尺寸小至 2.7 KB，FLOPs 低至 280 万，且检测精度匹配或超过参数多达 400 万的已发表架构。此外，CPU 加速延迟实验表明，OutlierNet 架构的延迟可比已发表网络低至多 21 倍。
引用
@article{arxiv.2104.00528,
title = {OutlierNets: Highly Compact Deep Autoencoder Network Architectures for On-Device Acoustic Anomaly Detection},
author = {Saad Abbasi and Mahmoud Famouri and Mohammad Javad Shafiee and Alexander Wong},
journal= {arXiv preprint arXiv:2104.00528},
year = {2021}
}
备注
7 pages