资源受限机械感知的参数引导特征剪枝

机械AI的先行研究一致表明，稳健的感知对于人机交互至关重要，然而在受限资源的代理人上部署高保真视觉模型仍具有挑战性，这是由于设备计算功率有限以及传输延迟。利用潜在表示中的冗余性可提高系统效率，但现有方法往往依赖于基于数据集的高成本删减测试或不适用于实时边缘机器人协作的重型熵模型。我们提出一种通用、数据集无关的方法，用于识别和选择性传输预训练编码器中的结构关键通道。不同于粗暴的经验评估，我们的方法利用内在参数统计量——权重方差和偏置——来估计通道重要性。该分析揭示了一致的组织结构，称为不变显著通道空间(Invariant Salient Channel Space, ISCS)，其中显著核心通道捕获主导结构，而显著辅助通道编码细微视觉细节。基于ISCS，我们引入一种确定性静态剪枝策略，实现轻量级split计算。跨不同数据集的实验表明，我们的方法通过绕过重型熵建模，实现确定性、超低延迟的管道。我们的 метод显著降低了端到端延迟，为资源受限的人机感知系统提供了关键的速度-精度权衡。