環境音分類のエッジデバイス実装：極めてリソース制約のあるデバイス向けの深層音響ネットワークパイプライン

極めて限られたリソース（メモリ、速度、GPUの非対応）を持つエッジデバイスに最先端の分類と認識機能を実装するため、多大な努力が払われています。本稿では、音響認識用の深層ネットワークとして初めて、小型で柔軟性があり圧縮に適したネットワークを提案し、その性能が生のオーディオ分類において最先端レベルであることを示します。単なる一回限りの解決策ではなく、大規模な深層畳み込みネットワークを圧縮と量子化を通じて自動的にリソースが制約されたエッジデバイス向けのネットワークに変換する汎用的なパイプラインを提示します。ACDNetについて紹介します。このネットワークはESC-10（96.65%）、ESC-50（87.10%）、UrbanSound8K（84.45%）、AudioEvent（92.57%）で最先端以上の精度を達成しています。次に、圧縮パイプラインについて説明し、これにより97.22%のサイズ削減と97.28%のFLOP削減を実現しながら、これらのデータセットでほぼ最先端の精度（96.25%、83.65%、78.27%、89.69%）を維持できることを示します。一般的な市販マイクロコントローラーでの成功した実装について述べるとともに、ラボベンチマークを超えて実世界データセットでの成功したテスト結果も報告します。