SkyNet：一种面向嵌入式系统目标检测与跟踪的硬件高效方法
计算机视觉与模式识别
2020-03-03 v2
摘要
目标检测与跟踪对资源受限的嵌入式系统而言是具有挑战性的任务。虽然这些任务是人工智能领域中计算最密集的任务之一，但在嵌入式设备上仅允许使用有限的计算与内存资源。同时，此类资源受限的实现通常还需满足实时响应、高吞吐性能与可靠推理精度等额外严苛要求。为克服这些挑战，我们提出 SkyNet，一种硬件高效的神经网络，为嵌入式系统提供最先进的检测精度与速度。SkyNet 不遵循紧凑型 DNN（深度神经网络）设计常见的自顶向下流程，而是提供自底向上的 DNN 设计方法，从一开始就对硬件约束有全面理解，从而交付硬件高效的 DNN。SkyNet 的有效性通过在第 56 届 IEEE/ACM 设计自动化会议（DAC-SDC）低功耗目标检测系统设计竞赛中获胜得到证明：我们的 SkyNet 显著优于其他 100 多个竞争者，在 TX2 嵌入式 GPU 上达到 0.731 交并比（IoU）与 67.33 帧每秒（FPS），在 Ultra96 嵌入式 FPGA 上达到 0.716 IoU 与 25.05 FPS。SkyNet 的评估还扩展到 GOT-10K——一个近期提出的用于真实场景通用目标跟踪的大规模高多样性基准。对于采用 ResNet-50 作为骨干网络的先进目标跟踪器 SiamRPN++ 与 SiamMask，使用我们的 SkyNet 作为骨干 DNN 的实现在 1080Ti GPU 上运行速度快 1.60 倍与 1.73 倍，且精度更优或相当，参数规模减小 37.20 倍，从而显著改善内存与存储占用。
引用
@article{arxiv.1909.09709,
title = {SkyNet: a Hardware-Efficient Method for Object Detection and Tracking on Embedded Systems},
author = {Xiaofan Zhang and Haoming Lu and Cong Hao and Jiachen Li and Bowen Cheng and Yuhong Li and Kyle Rupnow and Jinjun Xiong and Thomas Huang and Honghui Shi and Wen-mei Hwu and Deming Chen},
journal= {arXiv preprint arXiv:1909.09709},
year = {2020}
}
备注
Published as a conference paper at Conference on Machine Learning and Systems (MLSys) 2020