面向硬件高效限速标志识别的重放剪枝与低比特整数推理

基于摘要分析。研究面向车载摄像头 SoC 上限速标志识别的存储、计算和能耗约束，提出检测器剪枝与分类器低比特整数推理相结合的两阶段系统；主要研究对象是道路视觉识别，而非 EEG 或 BCI。 检测器采用含 ReLU 与 hard-sigmoid 算子的 YOLO 系列网络。channel replay 先通过迭代剪枝级联确定待删除通道，再将记录的删除操作重放到原始任务训练网络（parent），最后进行一次连续的知识蒸馏恢复。作者报告：在 YOLOv5n 上，该方法移除 60.3% 的参数并保持 parent 的准确性；在五个匹配随机种子的验证集 mAP50-95 比较中，优于迭代剪枝和从头训练，逐步变体 per-step replay 是准确性最高的剪枝方法。在 YOLOv8n 上，作者报告 replay 与 per-step replay 均优于其他比较方法及未剪枝 parent，摘要未给出具体差值。 分类器为五层、18k 参数的 CNN，其推理及两类 YOLO 检测头的后处理均仅用整数运算。作者报告，W4A8（4-bit 权重、8-bit 激活）分类器使用 12.1 KB 片上存储并达到 FP32 准确性；可执行流式模型在全部 9,850 个测试裁剪图像上复现运行时的 INT8 类别预测。Jetson AGX Orin 测试中，INT8 仅在 TensorRT 的 implicit formulation 下快于 FP16，replay 检测器在 DLA 上最快。仅使用公开数据训练的完整系统含 0.72 M 参数，在留出的车载摄像头数据上，以 90% precision 识别 95.2% 的标志，并达到每秒 94 帧。具体数据集、划分、端到端计时边界、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是将剪枝路径搜索与原网络恢复分离，用于压缩边缘 EEG 分类器，而非迁移道路识别任务本身。可复用通道删除记录与知识蒸馏恢复流程，但需适配 EEG 网络结构、任务监督及量化校准数据；低信噪比、跨被试差异和小数据可能使剪枝路径不稳定或损伤弱信号特征。一个可证伪的小实验是在固定被试内划分和参数预算下，对比 replay 与迭代剪枝，并分别测量准确性及目标设备延迟。已有 EEG 相关工作尚未检索确认。