MicronNet：一种高度紧凑的深度卷积神经网络架构，用于实时嵌入式交通标志分类

交通标志识别是许多实际应用中非常重要的计算机视觉任务，例如智能交通监控和分析。尽管近年来深度神经网络在交通标志识别方面展示了最先进的性能，但将其广泛应用于嵌入式交通标志识别的一个关键挑战在于这些网络的高计算和内存需求。因此，研究适用于嵌入式设备的紧凑型深度神经网络架构具有重要意义。本文介绍了MicronNet，一种基于宏架构设计原则（如光谱宏架构增强、参数精度优化等）以及数值微架构优化策略设计的高度紧凑的深度卷积神经网络，用于实时嵌入式交通标志识别。MicronNet的整体架构旨在尽可能减少参数和计算量的同时保持识别性能，从而实现所提出的网络的信息密度优化。实验结果显示，MicronNet的模型大小仅为约1MB，参数数量约为51万个（比现有最先进模型少约27倍），在德国交通标志识别基准测试中仍能达到人类水平的98.9%的Top-1准确率。此外，MicronNet仅需约1000万次乘积累加操作即可完成推理，并且在Cortex-A53高效处理器上的计算时间为32.19毫秒。这些实验结果表明，可以为实时交通标志识别设计高度紧凑、优化的深度神经网络架构，这些架构非常适合嵌入式场景的应用。