利用松散与弱标注图像为无线传感器网络训练深度神经网络
计算机视觉与模式识别
2020-10-08 v1
摘要
尽管深度学习在过去几年取得了显著成功，但关于将深度神经网络应用于数据、能量和计算资源受限的无线传感器网络（WSNs）进行图像目标识别的报道甚少。本工作中，提出了一种成本有效的域泛化（CEDG）算法，以最少的人工需求训练高效网络。CEDG 通过自动分配的合成域将网络从公开可用的源域迁移到特定应用的目标域。目标域与参数调优隔离，仅用于模型选择与测试。目标域与源域显著不同，因为它具有新的目标类别，且由失焦、低分辨率、低光照、低拍摄角度的劣质图像组成。训练后的网络每次预测约有 7M 次乘法（ResNet-20 约为 41M），其规模足以小到允许数字信号处理器芯片在我们的 WSN 中进行实时识别。在未见过且不平衡的目标域上，类别级平均误差降低了 41.12%。
引用
@article{arxiv.2010.02546,
title = {Training Deep Neural Networks for Wireless Sensor Networks Using Loosely and Weakly Labeled Images},
author = {Qianwei Zhou and Yuhang Chen and Baoqing Li and Xiaoxin Li and Chen Zhou and Jingchang Huang and Haigen Hu},
journal= {arXiv preprint arXiv:2010.02546},
year = {2020}
}