摘要
得益于深度学习算法在计算机视觉（Computer Vision, CV）领域的优异表现，卷积神经网络（Convolutional Neural Network, CNN）已成为计算机视觉任务的核心骨干架构。随着移动设备的广泛应用，基于低算力平台的神经网络模型逐渐受到关注。然而，受限于计算资源，深度学习算法通常难以在移动设备上部署运行。为此，本文提出一种轻量级卷积神经网络——TripleNet，该模型可在树莓派（Raspberry Pi）等低功耗设备上高效运行。受ThreshNet中块连接（block connection）思想的启发，所提出的TripleNet通过网络压缩与加速，在保证模型精度的前提下，显著减少了网络参数量，并有效缩短了单张图像的推理时间。本文在树莓派平台上，对TripleNet及其他当前最先进的（State-of-the-Art, SOTA）神经网络模型进行了基于CIFAR-10和SVHN数据集的图像分类实验。实验结果表明，相较于GhostNet、MobileNet、ThreshNet、EfficientNet和HarDNet，TripleNet的单图像推理时间分别缩短了15%、16%、17%、24%和30%。本工作的详细代码已开源，可访问：https://github.com/RuiyangJu/TripleNet。