Adaptation of MobileNetV2 for Face Detection on Ultra-Low Power Platform

要約

エッジ ハードウェアで実行されるディープ ニューラル ネットワーク (DNN) の設計は、依然として課題です。
ニューラル ネットワーク モデルの展開を容易にするために、標準的な設計がコミュニティによって採用されています。
ただし、ハードウェアの制約に合わせてネットワーク トポロジを適応させることはあまり重視されていません。
このホワイト ペーパーでは、モバイル ハードウェア プラットフォームで最も広く使用されているアーキテクチャの 1 つである MobileNetV2 を採用し、そのトポロジの変更とトレーニング後の量子化の適用の影響を調査します。
顔検出用の組み込みハードウェア プラットフォームでのモデルの適応と展開の影響について説明します。

要約(オリジナル)

Designing Deep Neural Networks (DNNs) running on edge hardware remains a challenge. Standard designs have been adopted by the community to facilitate the deployment of Neural Network models. However, not much emphasis is put on adapting the network topology to fit hardware constraints. In this paper, we adapt one of the most widely used architectures for mobile hardware platforms, MobileNetV2, and study the impact of changing its topology and applying post-training quantization. We discuss the impact of the adaptations and the deployment of the model on an embedded hardware platform for face detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google