Réseaux de neurones convolutifs efficaces sur Raspberry Pi pour la classification d’images

Grâce aux performances remarquables des algorithmes d'apprentissage profond dans le domaine de la vision par ordinateur (CV), l'architecture des réseaux de neurones convolutifs (CNN) est devenue le socle principal des tâches de vision par ordinateur. Avec la généralisation des dispositifs mobiles, les modèles de réseaux de neurones conçus pour des plateformes à faible puissance de calcul suscitent progressivement un intérêt croissant. Toutefois, en raison des contraintes de puissance de calcul, les algorithmes d'apprentissage profond ne sont généralement pas exploitables directement sur les appareils mobiles. Ce papier propose un réseau de neurones convolutif léger, nommé TripleNet, capable de fonctionner efficacement sur une Raspberry Pi. Inspiré du concept de connexion par blocs présent dans ThreshNet, le modèle de réseau proposé permet de compresser et d'accélérer le réseau, de réduire le nombre de paramètres tout en préservant l'exactitude, tout en raccourcissant le temps de déduction pour chaque image. Nous avons mené des expériences de classification d'images avec TripleNet et d'autres réseaux de pointe (SOTA) sur les jeux de données CIFAR-10 et SVHN, via une Raspberry Pi. Les résultats expérimentaux montrent que, par rapport à GhostNet, MobileNet, ThreshNet, EfficientNet et HarDNet, le temps de déduction par image de TripleNet est réduit respectivement de 15 %, 16 %, 17 %, 24 % et 30 %. Le code détaillé de ce travail est disponible à l'adresse suivante : https://github.com/RuiyangJu/TripleNet.