评估工业场景中目标检测少样本学习的能源效率
机器学习
2024-03-12 v1 人工智能
计算机视觉与模式识别
摘要
在人工智能 (AI) 不断发展的时代，模型性能已成为推动创新的关键指标，导致模型规模和复杂性呈指数级增长。然而，可持续性和能源效率已成为当代工业环境部署中的关键要求，这使得使用少样本学习等数据高效方法成为必要。本文旨在减轻漫长模型训练的负担并最小化能源消耗，考察了一种将标准目标检测模型微调以适应下游任务的方法。随后，针对在易变工业环境的目标检测基准数据集上应用的开发模型，进行了详尽的案例研究和能源需求评估。具体而言，本文考察了不同的微调策略以及训练过程中辅助评估数据的利用，并突出了这种低数据制度下性能与效率之间的权衡。最后，本文提出了一种通过定制的效率因子 (Efficiency Factor) 指标来量化这种权衡的新方法。
引用
@article{arxiv.2403.06631,
title = {Evaluating the Energy Efficiency of Few-Shot Learning for Object Detection in Industrial Settings},
author = {Georgios Tsoumplekas and Vladislav Li and Ilias Siniosoglou and Vasileios Argyriou and Sotirios K. Goudos and Ioannis D. Moscholios and Panagiotis Radoglou-Grammatikis and Panagiotis Sarigiannidis},
journal= {arXiv preprint arXiv:2403.06631},
year = {2024}
}
备注
7 pages, 6 figures, 4 tables