边缘端实时行人重识别：一种混合精度方法
机器学习
2019-08-22 v1 机器学习
摘要
多人多摄像头跟踪的关键部分是行人重识别（re-ID）算法，该算法在视频流中识别并保留所有检测到的未知人员的身份。当今许多 re-ID 算法展示了最先进的结果，但探索此类算法在计算与功耗受限的实时场景内部署的工作尚不多。在本文中，我们研究使用轻量模型 MobileNet-v2 进行 re-ID 的效果，并探讨在服务器端训练与边缘节点推理时单精度（FP32）与半精度（FP16）的影响。我们进一步在包括 CUHK03、Market-1501 和 Duke-MTMC 在内的先进基准上将其与使用 ResNet-50 的基线模型比较。MobileNet-V2 混合精度训练方法可将边缘节点推理吞吐量与服务器端训练时间分别提升 达到 27.77fps 和 ，并将边缘节点功耗降低 ，而在三个不同数据集上相对于 ResNet-50 单精度平均仅降低精度 5.6%。代码与预训练网络公开于 https://github.com/TeCSAR-UNCC/person-reid。
引用
@article{arxiv.1908.07842,
title = {Real-time Person Re-identification at the Edge: A Mixed Precision Approach},
author = {Mohammadreza Baharani and Shrey Mohan and Hamed Tabkhi},
journal= {arXiv preprint arXiv:1908.07842},
year = {2019}
}
备注
This is a pre-print of an article published in International Conference on Image Analysis and Recognition (ICIAR 2019), Lecture Notes in Computer Science. The final authenticated version is available online at https://doi.org/10.1007/978-3-030-27272-2_3