HyperAIHyperAI
منذ 17 أيام

FemtoDet: قاعدة كشف الكائنات لموازنة الطاقة مقابل الأداء

Peng Tu, Xu Xie, Guo AI, Yuexiang Li, Yawen Huang, Yefeng Zheng
FemtoDet: قاعدة كشف الكائنات لموازنة الطاقة مقابل الأداء
الملخص

غالبًا ما تُحسَّن الكاشفات الفعّالة لأجهزة الحافة لعدد المعاملات أو مقاييس السرعة، والتي تظل مرتبطة بشكل ضعيف بطاقة الكاشفات. ومع ذلك، هناك بعض التطبيقات البصرية لشبكات التعلم العميق المتداخلة (CNN)، مثل كاميرات المراقبة المستمرة، التي تكون حاسمة من حيث قيود الطاقة. يهدف هذا البحث إلى أن يكون نقطة انطلاق من خلال تصميم كاشفات تحقق توازنًا بين الطاقة والأداء من منظورين:1) نقوم بتحليل شامل لأنواع مختلفة من الشبكات العصبية المتداخلة لتحديد الهياكل منخفضة الطاقة، بما في ذلك اختيار دوال التنشيط ومشغلات التحويل والهياكل المدمجة للخصائص في "العنق" (necks). هذه التفاصيل المُهملة في الأبحاث السابقة تؤثر بشكل كبير على استهلاك الطاقة للكاشفات؛2) لتجاوز المشكلة الصعبة المتعلقة بالموازنة بين الطاقة والأداء، نقترح كاشفًا متوازنًا يُدار بالطاقة باستخدام مكونات منخفضة الطاقة التي تم اكتشافها، ونسميه \textit{FemtoDet}. بالإضافة إلى التصميم الجديد، نُحسّن FemtoDet من خلال النظر في تحسينات في التحويلات واستراتيجيات التدريب. بشكل خاص، نطور وحدة جديدة تُسمى "تعزيز الحدود الفردية" (IBE) لتحسين التحويلات، بهدف التغلب على التناقض بين القدرة المحدودة للشبكات العصبية المتداخلة ومتطلبات مهام الكشف في تمثيلات فضائية متنوعة، ونقترح أيضًا استراتيجية تدريب جديدة تُسمى "إعادة التشغيل التكراري" (RecWR) لتحسين أداء التدريب، وذلك لتجنب التحسين الجزئي للكاشفات الخفيفة من خلال أخذ تأثيرات التحول في البيانات الناتجة عن تقنيات التوسيع الشائعة بعين الاعتبار.نتيجة لذلك، تحقق FemtoDet التي تحتوي فقط على 68.77 ألف معامل، نتيجة تنافسية تبلغ 46.3 AP50 على مجموعة بيانات PASCAL VOC، و1.11 واط و64.47 إطارًا في الثانية على منصة معالج Qualcomm Snapdragon 865. تُظهر التجارب الواسعة على مجموعتي بيانات COCO وTJU-DHD أن الطريقة المقترحة تحقق نتائج تنافسية في سيناريوهات متنوعة.

FemtoDet: قاعدة كشف الكائنات لموازنة الطاقة مقابل الأداء | أحدث الأوراق البحثية | HyperAI