低功耗嵌入式系统中用于声纳图像分类的实时卷积网络
计算机视觉与模式识别
2017-09-08 v1 机器人学
摘要
深度神经网络具有令人印象深刻的分类性能，但这以推理时显著的计算资源为代价。自主水下航行器使用低功耗嵌入式系统进行声纳图像感知，无法实时执行大型神经网络。我们提出积极使用最大池化，并通过一个基于Fire的模块和一个包含每个模块中最大池化的新Tiny模块来演示。通过堆叠它们，我们构建的网络在减少参数数量并显著提高计算性能的同时，实现了与更大网络相同的精度。我们的网络可以在Raspberry Pi 2上仅用41到61毫秒对96x96声纳图像进行分类，准确率达到98.8-99.7，这对应于28.6-19.7的加速比。
引用
@article{arxiv.1709.02153,
title = {Real-time convolutional networks for sonar image classification in low-power embedded systems},
author = {Matias Valdenegro-Toro},
journal= {arXiv preprint arXiv:1709.02153},
year = {2017}
}
备注
Author version