面向移动设备的场景感知模型适配方案
计算机视觉与模式识别
2025-12-08 v2 人工智能
分布式、并行与集群计算
摘要
人工智能物联网（AIoT）应用寻求在移动设备上使用深度神经网络（DNN）模型进行在线预测。然而，由于设备的移动，陌生测试样本不断出现，显著影响预训练 DNN 的预测准确性。此外，网络连接不稳定需要本地模型推理。本文提出一种轻量级方案，称为 Anole，以应对移动设备上的本地 DNN 模型推理。Anole 的核心思想是首先建立一支紧凑 DNN 模型的军队，然后自适应选择当前测试样本最合适的模型进行在线推理。关键在于自动识别训练场景特定 DNN 模型的模型友好场景。为此，我们设计了一种弱监督场景表示学习算法，结合人类启发式和特征相似性来区分场景。此外，我们进一步训练模型分类器，用于预测每个测试样本最适合的场景特定 DNN 模型。我们在不同类型的移动设备上实现 Anole，并基于无人机航拍（UAVs）进行大量跟踪驱动和真实世界实验。结果表明，Anole 在预测准确率（提高 4.5%）、响应时间（加快 33.1%）和功耗（降低 45.1%）方面均优于使用通用大型 DNN 的方法。
引用
@article{arxiv.2407.03331,
title = {A Scene-aware Models Adaptation Scheme for Cross-scene Online Inference on Mobile Devices},
author = {Yunzhe Li and Hongzi Zhu and Zhuohong Deng and Yunlong Cheng and Zimu Zheng and Liang Zhang and Shan Chang and Minyi Guo},
journal= {arXiv preprint arXiv:2407.03331},
year = {2025}
}
备注
This version presents the extended and revised journal version of our 2024 conference paper, incorporating new datasets, expanded evaluations, and improved methodological details. The manuscript has been accepted for publication in IEEE Transactions on Mobile Computing