PhiNets：面向边缘低功耗 AI 的可扩展骨干网络
计算机视觉与模式识别
2021-10-04 v1 机器学习
摘要
在物联网时代，众多互联且异构的移动与固定智能设备使得将智能从云端分发至边缘成为必然。由于有限的计算与通信能力、低内存及受限的能量预算，将人工智能算法部署到外围设备（如传感器网络的终端节点）是一项具有挑战性的任务，需要设计创新方法。本文中，我们提出 PhiNets，一种专为资源受限平台上的基于深度学习的图像处理而优化的新型可扩展骨干网络。PhiNets 基于倒残差块，专门设计用于解耦计算成本、工作内存与参数内存，从而充分利用所有可用资源。结合 YoloV2 检测头与 Simple Online and Realtime Tracking，所提架构在（i）COCO 与 VOC2012 基准上的检测，以及（ii）MOT15 基准上的跟踪方面均达到了最先进结果。相较于先前最先进模型（EfficientNetv1、MobileNetv2），PhiNets 将参数量减少了 87% 至 93%，并以更低计算成本实现更优性能。此外，我们基于具备 2MB 内部 Flash 与 1MB RAM 的 STM32H743 微控制器（MCU）原型节点验证了该方法，功耗需求达 10 mW 量级。PhiNets 的代码已在 GitHub 公开。
引用
@article{arxiv.2110.00337,
title = {PhiNets: a scalable backbone for low-power AI at the edge},
author = {Francesco Paissan and Alberto Ancilotto and Elisabetta Farella},
journal= {arXiv preprint arXiv:2110.00337},
year = {2021}
}
备注
Submitted to ACM Transactions on Embedded Computing Systems