超参数优化对实时图像分类轻量级深度模型影响的分析
计算机视觉与模式识别
2026-04-13 v2 人工智能
机器学习
摘要
轻量级卷积和基于 Transformer 的网络越来越受到实时图像分类的青睐，尤其是在资源受限的设备上。本研究评估了超参数优化对七种现代轻量级架构的准确性和部署可行性的影响：ConvNeXt-T、EfficientNetV2-S、MobileNetV3-L、MobileViT v2 (S/XS)、RepVGG-A2 和 TinyViT-21M，这些架构在 ImageNet-1K 中 90,000 张图像的类别平衡子集上进行了训练。在标准化训练设置下，本文研究了学习率调度、数据增强、优化器和初始化对模型性能的影响。推理基准测试使用 NVIDIA L40s GPU 进行，批量大小从 1 到 512，以捕获实时条件下的延迟和吞吐量。这项工作表明，受控的超参数变化显著改变了轻量级 CNN 和 Transformer 主干的收敛动态，为边缘人工智能的稳定区域和部署可行性提供了见解。我们的结果显示，仅通过调优，top-1 准确率就比基线提高了 1.5 到 3.5 个百分点，并且部分模型（例如 RepVGG-A2、MobileNetV3-L）实现了低于 5 毫秒的延迟和超过 9,800 帧每秒的吞吐量，使其成为边缘部署的理想选择。这项工作提供了关于轻量级超参数调优及其在平衡速度与准确性中作用的可复现的、基于子集的见解。代码和日志可在以下网址查看：https://vineetkumarrakesh.github.io/lcnn-opt
引用
@article{arxiv.2507.23315,
title = {Analysis of Hyperparameter Optimization Effects on Lightweight Deep Models for Real-Time Image Classification},
author = {Vineet Kumar Rakesh and Soumya Mazumdar and Tapas Samanta and Hemendra Kumar Pandey and Amitabha Das},
journal= {arXiv preprint arXiv:2507.23315},
year = {2026}
}