机构名称：
¥ 2.0
边缘计算为自主性和人工智能的发展提供了令人着迷的可能性。自主技术的进步和计算机视觉的复兴导致对快速可靠的深度学习应用程序的需求增加。近年来，业界推出了具有强大处理能力的设备来执行各种物体检测任务。然而，对于实时检测，设备的内存、计算能力和功率受到限制，这可能会影响整体性能。这可以通过优化物体检测器或修改图像来解决。在本文中，我们研究了在应用不同图像压缩技术时基于 CNN 的物体检测器在受限设备上的性能。我们研究了 NVIDIA Jetson Nano 的功能；这是一款低功耗、高性能的计算机，带有集成的 GPU，小到可以安装在 CubeSat 上。我们仔细研究了在 DOTA（用于空中图像中物体检测的大规模数据集）上预先训练的单次多框检测器 (SSD) 和基于区域的完全卷积网络 (R-FCN)。性能以推理时间、内存消耗和准确性来衡量。通过应用图像压缩技术，我们能够优化性能。所应用的两种技术，无损压缩和图像缩放，提高了速度和内存消耗，而准确性没有或几乎没有变化。图像缩放技术实现了 100% 可运行的数据集，我们建议结合这两种技术以优化速度/内存/准确性权衡。
加速太空深度学习应用
主要关键词
相关文件推荐
