EfficientBioAI：使生物成像 AI 模型在能耗、延迟与表征上更高效
机器学习
2023-06-14 v1 图像与视频处理
摘要
人工智能（AI）如今已广泛应用于生物图像分析，但由于模型规模与复杂度的不断增长，以及现代生物医学研究中快速增加的分析需求，AI 模型的效率（如能耗与延迟）不容忽视。正如我们可以压缩大图像以实现高效存储与共享，我们也可以压缩 AI 模型以实现高效应用与部署。在本工作中，我们提出 EfficientBioAI，一个即插即用的工具箱，可压缩给定的生物成像 AI 模型，使其在 CPU 和 GPU 上以显著降低的能耗与推理时间运行，且不牺牲精度。在某些情况下，压缩后预测精度甚至可能提升，因为压缩过程可去除模型表征中的冗余信息，从而减少过拟合。在四种不同的生物图像分析应用中，我们观察到推理速度提升约 2-5 倍，能耗节省 30-80%。将大规模生物图像分析的运行时间从数天缩短至数小时，或将两分钟的生物成像 AI 模型推理在近实时内完成，将为方法开发与生物医学发现开启新的大门。我们希望我们的工具箱能促进资源受限的生物成像 AI，并以一种环保的方式加速基于 AI 的大规模定量生物学研究，同时激发对生物成像 AI 效率的进一步研究。
引用
@article{arxiv.2306.06152,
title = {EfficientBioAI: Making Bioimaging AI Models Efficient in Energy, Latency and Representation},
author = {Yu Zhou and Justin Sonneck and Sweta Banerjee and Stefanie Dörr and Anika Grüneboom and Kristina Lorenz and Jianxu Chen},
journal= {arXiv preprint arXiv:2306.06152},
year = {2023}
}
备注
17 pages, 6 figures