面向 RISC-V 处理器上人类活动识别的超紧凑二值神经网络
机器学习
2022-05-26 v1 信号处理
摘要
人类活动识别 (HAR) 是许多移动应用中的一项相关推理任务。边缘端最先进的 HAR 通常通过轻量级机器学习模型如决策树和随机森林 (RFs) 实现，而深度学习因其高计算复杂度较少使用。在本工作中，我们提出一种基于深度神经网络、确切地说是基于二值神经网络 (BNNs) 的 HAR 新实现，面向具有 RISC-V 指令集的低功耗通用处理器。BNNs 由于用位运算替代算术运算，具有极小的内存占用和低推理复杂度。然而，现有通用处理器上的 BNN 实现施加了为复杂计算机视觉任务定制的约束，导致对 HAR 这类更简单问题出现过度参数化模型。因此，我们还引入了一个新的 BNN 推理库，明确面向超紧凑模型。通过在单核 RISC-V 处理器上的实验，我们表明在两个 HAR 数据集上训练的 BNN 相比基于 RFs 的最先进基线获得了更高的分类准确率。此外，根据 RF 提取特征的复杂度，我们的 BNN 以更少内存（高达 91%）或更高能效（高达 70%）达到了 RF 相同的准确率。
引用
@article{arxiv.2205.12781,
title = {Ultra-compact Binary Neural Networks for Human Activity Recognition on RISC-V Processors},
author = {Francesco Daghero and Chen Xie and Daniele Jahier Pagliari and Alessio Burrello and Marco Castellano and Luca Gandolfi and Andrea Calimera and Enrico Macii and Massimo Poncino},
journal= {arXiv preprint arXiv:2205.12781},
year = {2022}
}
备注
Published in: 2021 18th ACM International Conference on Computing Frontiers (CF)