Исследование эффективности применения бинарных нейронных сетей при детектировании объекта на изображении

Глубокие сверточные нейронные сети широко применяются для задач детектирования объектов. Однако современные модели глубоких сверточных нейронных сетей требуют больших вычислительных ресурсов, что затрудняет их развертывание на мобильных и встроенных устройствах с ограниченными ресурсами. Бинарные нейронные сети позволяют снизить требования к устройствам. В бинарных нейронных сетях активации и/или веса принимают только двоичные значения $(-1, 1)$. Представленный в работе метод применяет балансировку и нормализацию целочисленных значений весов при прямом распространении и двухэтапную аппроксимацию функции знака при обратном. Приведены результаты сравнения точности обнаружения на наборе данных PASCAL Face и скорости работы и размера модели на мобильном устройстве для представленного в работе метода, модели без применения бинаризации, сети TinyML и методов Bi-Real Net и ABC-Net.