MicronNet: 実時間組み込み型交通標識分類用の非常にコンパクトな深層畳み込みニューラルネットワークアーキテクチャ

交通標識認識は、知能輸送監視や分析など多くの実世界の応用において非常に重要なコンピュータビジョンのタスクです。近年、深層ニューラルネットワークが交通標識認識で最先端の性能を示していることが実証されていますが、組み込み型交通標識認識に深層ニューラルネットワークを広範囲に展開する際の主要な課題は、その高い計算量とメモリ要件です。そのため、交通標識認識に適したコンパクトな深層ニューラルネットワークアーキテクチャを調査することは大きな利点があります。本論文では、マクロアーキテクチャ設計原理（スペクトルマクロアーキテクチャ拡張、パラメータ精度最適化など）および数値マイクロアーキテクチャ最適化戦略に基づいて設計された、リアルタイム組み込み型交通標識認識用の非常にコンパクトな深層畳み込みニューラルネットワークであるMicronNetを紹介します。これにより、MicronNetの全体的なアーキテクチャは可能な限り少ないパラメータと計算量で認識性能を維持することを目指しており、提案されたネットワークの情報密度が最適化されています。結果として得られたMicronNetは、モデルサイズが約1MB、パラメータ数が約51万個（最先端技術よりも約27倍少ない）でありながら、ドイツ交通標識認識ベンチマークにおいて人間同等のトップ1精度98.9%を達成しています。さらに、MicronNetは推論に約1000万回の乗算累加演算しか必要とせず、Cortex-A53高効率プロセッサ上での計算時間はわずか32.19ミリ秒です。これらの実験結果は、リアルタイム交通標識認識に適し、組み込みシナリオに適合した非常にコンパクトで最適化された深層ニューラルネットワークアーキテクチャを設計できることを示しています。