2、低功耗计算机视觉技术：从理论到实践

低功耗计算机视觉技术：从理论到实践

1. 低功耗计算机视觉挑战回顾

在 2015 年至 2020 年期间，低功耗计算机视觉领域举办了相关挑战活动。该活动记录了这几年的发展历程，明确了评选获胜者的方法，并公布了历年的获胜者名单。这不仅反映了该领域的发展动态，也为后来者提供了参考和激励。

2. 高效能深度神经网络研究

深度神经网络（DNNs）在计算机视觉任务中取得了巨大成功，但最先进的 DNNs 由于能耗高、计算量大和内存需求大，难以部署在大多数计算设备和嵌入式系统上，通常需要服务器级的 CPU 和 GPU。为了使计算机视觉更普及，近年来的研究聚焦于提高 DNNs 的效率。具体的技术可分为以下六大类：
- 量化（Quantization） ：用低比特的定点运算替代原始的浮点运算，以减少能耗和延迟。
- 剪枝（Pruning） ：去除神经网络中不重要的连接或神经元，减少计算量。
- 层和滤波器压缩（Layer and Filter Compression） ：对网络的层和滤波器进行压缩，降低复杂度。
- 矩阵分解（Matrix Decomposition） ：将矩阵分解为更简单的形式，减少计算量。
- 神经架构搜索（Neural Architecture Search） ：自动搜索最优的神经网络架构。
- 知识蒸馏（Knowledge Distillation） ：将复杂模型的知识转移到简单模型中。