缩小 HOG 与 CNN 特征在嵌入式视觉中的能耗差距
计算机视觉与模式识别
2017-03-20 v1
摘要
计算机视觉在机器人/无人机、自动驾驶汽车、智能物联网以及便携/可穿戴电子设备中实现了广泛的应用。对于其中许多应用，出于隐私和/或延迟的考虑，本地嵌入式处理是首选。因此，能够提供实时且鲁棒性能的高能效嵌入式视觉硬件至关重要。虽然深度学习在多种计算机视觉算法中日益流行，但与传统的基于手工设计特征的方法相比，存在显著的能耗差异。本文深入分析了学习型特征（如深度卷积神经网络 (CNN)）与手工设计特征（如方向梯度直方图 (HOG)）在计算、能耗和精度之间的权衡。这一分析得到了实现这些算法的两款芯片的测量结果的支持。我们的目标是理解两种方法之间能耗差异的来源，并洞察 CNN 可以改进并最终接近 HOG 能效同时保持其卓越性能精度的潜在领域。
引用
@article{arxiv.1703.05853,
title = {Towards Closing the Energy Gap Between HOG and CNN Features for Embedded Vision},
author = {Amr Suleiman and Yu-Hsin Chen and Joel Emer and Vivienne Sze},
journal= {arXiv preprint arXiv:1703.05853},
year = {2017}
}