重新审视美国手语预测在极小内存占用边缘设备上的泛化能力
机器学习
2021-02-16 v2 人工智能
计算与语言
计算机视觉与模式识别
人机交互
摘要
由于近年来技术计算能力的蓬勃发展，世界见证了人工智能系统在解决多样现实问题上的巨大进步。但这些模型被普遍接受的主要障碍在于其巨大的计算复杂度和内存占用。因此需要高效的架构与训练技术以部署在极低资源推理端点上。本文提出了一种在仅具 496 KB 帧缓冲 RAM 的 ARM Cortex-M7 微控制器上检测美国手语字母的架构。利用参数量化是可能导致测试精度不同程度下降的常用技术。本文提出使用插值作为增广及其他技术，作为一种降低此下降的高效方法，也有助于模型对先前未见的噪声数据良好泛化。所提模型量化后约 185 KB，推理速度为 20 帧每秒。
引用
@article{arxiv.2011.13741,
title = {Rethinking Generalization in American Sign Language Prediction for Edge Devices with Extremely Low Memory Footprint},
author = {Aditya Jyoti Paul and Puranjay Mohan and Stuti Sehgal},
journal= {arXiv preprint arXiv:2011.13741},
year = {2021}
}
备注
6 pages, Published in IEEE RAICS 2020, see https://raics.in