深度神经网络在太空应用语义分割中的高效适配方法
计算机视觉与模式识别
2025-04-23 v1 机器学习
摘要
近年来，深度学习技术在various计算机视觉任务中展现出显著的成功，为其在外太空探索中的部署铺平了道路。迁移学习已成为应对这些新环境标签数据稀缺的强大策略。本文是首次评估在太空景观（主要为月球和火星地形）中针对岩石语义分割采用适配器（adapter）实现高效迁移学习可行性的工作之一。我们的研究表明，通过战略性地将适配器集成到预训练的骨干模型中，能够成功减少目标太空设备的带宽和内存需求。本研究考虑两种内存节省策略：层融合（以消除推理开销）和“适配器排序”（亦可减少传输成本）。最后，我们在嵌入式设备上依据任务性能、内存和计算资源对这些结果进行评估，展示了各种权衡，为该领域的进一步研究铺平了道路。
引用
@article{arxiv.2504.15991,
title = {Efficient Adaptation of Deep Neural Networks for Semantic Segmentation in Space Applications},
author = {Leonardo Olivi and Edoardo Santero Mormile and Enzo Tartaglione},
journal= {arXiv preprint arXiv:2504.15991},
year = {2025}
}