AgileNet：基于轻量级字典的小样本学习
机器学习
2018-05-23 v1 人工智能
计算机视觉与模式识别
神经与进化计算
机器学习
摘要
深度学习模型的成功高度依赖于使用海量标注数据和过长的训练时间。随着使用这些模型的智能边缘应用的出现，关键挑战是在资源受限设备上获得相同的推理能力，同时提供适应性以应对数据的动态变化。我们提出 AgileNet，一种新颖的基于轻量级字典的小样本学习方法，它提供降低复杂度的深度神经网络以在边缘高效执行，同时支持低成本更新以捕捉新数据的动态。对最先进的小样本学习基准的评估证明了 AgileNet 相较于先前方法的更优精度。此外，AgileNet 是首个通过消除从初始训练中获得的知识来防止模型更新的小样本学习方法。这一特性由我们新颖的端到端结构化分解所学习的字典来保证，该分解还减少了内存占用和计算复杂度以匹配边缘设备约束。
引用
@article{arxiv.1805.08311,
title = {AgileNet: Lightweight Dictionary-based Few-shot Learning},
author = {Mohammad Ghasemzadeh and Fang Lin and Bita Darvish Rouhani and Farinaz Koushanfar and Ke Huang},
journal= {arXiv preprint arXiv:1805.08311},
year = {2018}
}
备注
10 Pages