面向车规级芯片的对象检测模型优化方法

宫大汉，于龙龙，陈辉，杨帆，骆沛，丁贵广

（1. 清华大学 软件学院 , 北京 100084; 2. 清华大学 北京信息科学与技术国家研究中心，北京 100084; 3. 涿溪脑与智能研究所，浙江 杭州 311121; 4. 清华大学 自动化系，北京 100084; 5. 禾多科技(北京)有限公司，北京100102）

卷积神经网络（convolutional neural network，CNN）在图像识别、对象检测等视觉感知任务上取得了巨大的成功。由于其优秀的性能，使得CNN已经成为一种标准的智能结构，在智能手机、可穿戴设备、IoT终端设备、自动驾驶等智能应用中扮演着重要的角色。然而，CNN参数量巨大、计算复杂度高的特点限制了它在实际场景中的大范围落地应用。比如在自动驾驶领域，如果CNN模型部署到云端，那么网络传输的稳定性将决定系统是否能及时应对不断变化的外部环境，进而影响整体自动驾驶性能。而受限于网络传输的不稳定性，这种云端计算终端响应的方式在实际自动驾驶系统中难以广泛应用。所以，基于车载终端设备实现深度模型的部署成为一种越来越流行的解决方案。

然而，面向车载终端设备的深度模型部署存在着计算资源和模型性能的矛盾。具体来说，深度模型复杂度越高，通常它的效果越好，但其计算速率越差。考虑到终端设备上缺少高性能计算单元（如GPU）的支持，使得复杂度高的深度模型无法满足计算效率的要求。而如果采用复杂度低的小模型，又面临模型性能不佳的问题。因此，如何在计算资源受限条件下实现高精度深度模型的部署对自动驾驶至关重要。……