Categories
程式開發

深度模型壓縮技術在智能座艙方案的探索與實踐


1. 概況

1.1 背景

近年來,隨著人工智能、通信、汽車電動化等技術發展,智能汽車的概念已經成為了主流的發展趨勢。在自動駕駛到來之前,汽車座艙的場景正在成為智能汽車發展中的不可或缺環節。將汽車座艙智能化可以提高整體乘客乘坐品質和駕駛員行駛體驗,因而智能座艙產品逐步走進大眾視野,相關市場也得到較快發展。據統計,2019年中國智能座艙行業市場規模高達百億元,隨著中國市場的消費升級,大眾對駕駛與乘坐的體驗的需求不斷提升,中國智能座艙行業的市場規模將保持高速增長,預計到2025年,市場規模可達千億元。

深度模型壓縮技術在智能座艙方案的探索與實踐 3

圖1 智能座艙

1.2 技術挑戰

智能座艙的功能豐富,其中絕大多數核心算法是基於深度學習的視覺算法。但是,在智能座艙終端上運行多種不同任務的深度模型是一個很大的挑戰。由於終端的運算資源有限,包括內存、CPU、存儲等,深度模型往往尺寸龐大、計算量需求大,因此,當同時運行多個深度模型算法時,會導致終端運算資源不足,算法響應慢,很難滿足實時性的需求。為了解決在運算資源有限的終端上運行深度模型並保證其實時性,深度模型壓縮成為至關重要的技術。

2. 深度模型壓縮技術

隨著深度學習在視覺領域的飛速發展,越來越多的深度模型算法在不同任務上的性能表現超越了傳統的視覺算法。首先,我們先介紹視覺領域中常見的深度模型。圖2展示了一個通用的深度卷積模型,深度卷積模型主要組成部分有捲積層(Conv Layer)、池化層(Pooling Layer)和全連接層(Fully Connected Layer)。其中,卷積層的主要作用是特徵提取,在一個卷積層中,通常由若干個卷積核(filter)構成。卷積核也包含各類參數,例如卷積核大小(1×1,3×3等)、步長大小(stride)等。池化層的作用主要是降低特徵圖的維度。全連接層一般是負責對提取的特徵進行分類。

原文鏈接:【https://www.infoq.cn/article/7UYkBQeN9qkUxjfucJga】。未經作者許可,禁止轉載。