边缘端超低功耗关键词 spotting
声音
2021-11-10 v1 人工智能
音频与语音处理
摘要
关键词 spotting (KWS) 已成为我们周围许多智能设备不可或缺的一部分，因为音频是与这些设备交互的最有效方式之一。KWS 方案的准确率和性能一直是研究人员关注的重点，得益于深度学习，该领域已取得实质性进展。然而，随着 KWS 在 IoT 设备中的普及，除性能外，能效也成为一个非常关键的要求。我们认为，在硬件和神经网络 (NN) 模型架构两方面都寻求功耗优化的 KWS 方案，优于文献中多数仅考虑问题架构侧的解法。在本工作中，我们针对 MAX78000（一款超低功耗 CNN 加速器）的部署，通过考虑端到端能效设计了一个优化的 KWS CNN 模型。借助硬件与模型协同优化方法，我们在 12 类任务上达到 96.3% 的准确率，而每次推理仅消耗 251 uJ。我们将结果与文献中其他基于小 footprint 神经网络的 KWS 方案进行比较。此外，为清晰说明所选硬件的有效性，我们给出了模型在功耗优化的 ARM Cortex-M4F 上的能耗。
引用
@article{arxiv.2111.04988,
title = {Ultra-Low Power Keyword Spotting at the Edge},
author = {Mehmet Gorkem Ulkar and Osman Erman Okman},
journal= {arXiv preprint arXiv:2111.04988},
year = {2021}
}
备注
5 pages, 5 figures