【深度学习】轻量级神经网络模型，嵌入式微小设备也能实时检测 ！

文章预览

轻量级神经网络的进步已经彻底改变了计算机视觉在各种物联网（IoT）应用中的使用，涵盖了远程监控和过程自动化。 然而，对于许多这些应用来说，检测小型物体，这是至关重要的，目前在计算机视觉研究中仍然是一个未探索的领域，尤其是在资源受限的嵌入式设备上，这些设备拥有处理器。 为了解决这一问题，本文提出了一种适应性的分块方法，用于轻量级和节能的目标检测网络，包括YOLO基础模型和流行的更快地找到更多物体（FOMO）网络。 所提出的分块方法可以在低功耗微控制器单元（MCUs）上实现目标检测，同时与大型检测模型相比不妥协准确性。通过将该方法应用于内置机器学习（ML）加速器的基于 RISC-V 的新型MCU上的 FOMO 和 TinyShimyOLO 网络，证明了所提出方法的优势。 大量的实验结果表明，所提出的分块方法在FOMO和TinyShimyOLO网络上的F1 ………………………………