7月30日消息，在CVPR 2019的低功耗图像识别挑战赛（LPIRC ，Low-Power Image Recognition Challenge）上，阿里AI获得在线图像分类任务第一名。阿里AI识别百万图像的算法，在手机上也能跑起来了。
CVPR是计算机视觉领域的顶级学术会议，低功耗图像识别挑战赛由IEEE Rebooting Computing （RC）项目负责发起，通过识别准确率、执行速度和能量消耗三项指标，考察AI视觉识别技术在轻量级设备上的表现。
阿里AI参加了挑战赛三项任务之一的在线图像分类。比赛使用Pixel 2 手机，要求AI在 10 分钟内分类20000 张图像，考察分类速度和精度。
挑战赛使用Imagenet数据集作为训练数据，AI学习了约 120 万张涵盖1000个类别的图像，实现67.4%的分类精度，比官方提供的基准线高3.5%。在最终的测试中，阿里AI实现了23ms的单张图片分类速度，排名第一。
这项技术可将深度学习算法压缩40到100倍，便捷地部署于端侧设备，在智能手机、自动驾驶、工业自动化等领域应用前景广阔。
好的深度学习模型通常拥有复杂的结构和巨大的参数量，必须借助云端的大数据处理能力和高性能芯片的算力运行。如果移到端侧，就得搭载体积大、功耗高的设备。比如无人车，它们在行驶过程中实时收集大量路况数据，一部分在云端处理，一部分在本地处理。相比云端计算，本地计算不容易受时延影响，但受限于功耗，本地服务器能够承担的任务很有限。
阿里达摩院线下智能团队为端侧人工智能提供了解决方案。基于目前主流的移动端轻量级网络，该团队设计了一个快速小型网络，在低分辨率图像输入情况下仍能保持较高的分类精度。利用量化技术，该模型还可进一步压缩，在几乎无损精度的同时提升速度。
如果把该算法部署于无人车，就能在维持原有性能的前提下大大降低处理器功耗；或在不牺牲功耗的情况下大大提升处理器性能，甚至将部分云端处理任务挪到本地。
目前，这项技术已在卫星遥感影像分析上显示威力。卫星遥感影像常被用来监测土地、河流等自然资源，单张影像大小以GB为单位。同样规模的影像分析任务，传统人力方法需要几个月，交给AI则只要几分钟。部署在GPU服务器、TX2端上盒子等的低功耗图像识别技术，能以非常高的精度、极速完成海量图片识别。
