通过知识迁移训练二值权重目标检测器用于自动驾驶
计算机视觉与模式识别
2019-05-28 v2
摘要
自动驾驶对模型体积小和能效有严苛要求，以使嵌入式系统能够实现车载实时目标检测。近期基于深度卷积神经网络的目标检测器已取得了最先进的精度。然而，此类模型训练参数量巨大，其高计算开销与大存储占用阻碍了在内存与计算资源受限系统中的部署。低精度神经网络是降低计算需求与内存占用的流行技术。其中，二值权重神经网络（BWN）是将浮点量化为仅 位的极端情形。BWN 难以训练，且因极低位表示而面临精度下降问题。为解决该问题，我们提出一种知识迁移（KT）方法，利用全精度教师网络辅助 BWN 的训练。我们构建了基于 DarkNet 和 MobileNet 的二值权重 YOLO-v2 检测器，并在 KITTI 基准上针对汽车、行人与骑行者检测开展实验。实验结果表明，所提方法在将 DarkNet-YOLO 模型大小从 257 MB 降至 8.8 MB、MobileNet-YOLO 从 193 MB 降至 7.9 MB 的同时，保持了高检测精度。
引用
@article{arxiv.1804.06332,
title = {Training a Binary Weight Object Detector by Knowledge Transfer for Autonomous Driving},
author = {Jiaolong Xu and Peng Wang and Heng Yang and Antonio M. López},
journal= {arXiv preprint arXiv:1804.06332},
year = {2019}
}
备注
Accepted by ICRA 2019