探索生成式AI图像修复与耕地作物检测中的模型量化
计算机视觉与模式识别
2025-03-05 v1 人工智能
摘要
基于深度学习的杂草控制系统常因训练数据多样性有限和板载计算资源受限而影响其真实世界性能。为克服这些挑战，我们提出了一种利用基于Stable Diffusion的图像修复逐步增强训练数据的框架——每次递增10%，最多增加200%，从而同时提升样本的数量与多样性。我们的方法在两个最先进的物体检测模型YOLO11(l)和RT-DETR(l)上进行评估，使用mAP50指标衡量检测性能。我们探索了生成式图像修复模型与检测模型的量化策略（FP16和INT8），以在推理速度与精度之间取得平衡。将下游模型部署在Jetson Orin Nano上，展示了该框架在资源受限环境中的实际可行性，最终提升了智能杂草管理系统中的检测精度与计算效率。
引用
@article{arxiv.2503.02420,
title = {Exploring Model Quantization in GenAI-based Image Inpainting and Detection of Arable Plants},
author = {Sourav Modak and Ahmet Oğuz Saltık and Anthony Stein},
journal= {arXiv preprint arXiv:2503.02420},
year = {2025}
}