MAAM：基于 MindSpore 框架的高效图像分类轻量级多智能体聚合模块
机器学习
2025-04-21 v1 计算机视觉与模式识别
图像与视频处理
摘要
在资源受限环境下的图像分类任务中，对轻量级模型的需求要求在计算效率与鲁棒特征表示之间取得平衡。传统注意力机制尽管具有强大的特征建模能力，但往往面临高计算复杂度和结构刚性的问题，限制了其在计算资源有限场景（如边缘设备或实时系统）中的应用。为此，我们提出了多智能体聚合模块（MAAM），一种与 MindSpore 框架集成的轻量级注意力架构。MAAM 采用三个并行智能体分支，通过独立参数化操作提取异构特征，并通过可学习标量权重自适应融合，再经卷积压缩层进行细化。利用 MindSpore 的动态计算图和算子融合，MAAM 在 CIFAR-10 数据集上实现了 87.0% 的准确率，显著优于传统 CNN（58.3%）和 MLP（49.6%）模型，同时将训练效率提升了 30%。消融研究证实了智能体注意力（移除后准确率降至 32.0%）和压缩模块（省略后降至 25.5%）的关键作用，验证了它们对维持判别性特征学习的必要性。该框架的硬件加速能力和极小内存占用进一步证明了其实用性，为资源受限场景下的图像分类提供了一个可部署的解决方案，且不牺牲准确率。
引用
@article{arxiv.2504.13574,
title = {MAAM: A Lightweight Multi-Agent Aggregation Module for Efficient Image Classification Based on the MindSpore Framework},
author = {Zhenkai Qin and Feng Zhu and Huan Zeng and Xunyi Nong},
journal= {arXiv preprint arXiv:2504.13574},
year = {2025}
}