面向资源受限移动机器人的模型压缩
机器学习
2022-07-22 v1 人工智能
计算机视觉与模式识别
机器人学
摘要
在过去十年中，需要执行复杂机器学习模型且计算资源受限的移动机器人数量不断增加。通常，这些机器人依赖通过无线通信可访问的边缘基础设施来执行高计算复杂度的任务。然而，边缘可能变得不可用，从而迫使任务在机器人上执行。本工作致力于通过减少预训练计算机视觉模型的复杂度和参数总量，使任务能够在机器人上执行。这是通过使用模型压缩技术（如剪枝（Pruning）和知识蒸馏（Knowledge Distillation））来实现的。这些压缩技术具有坚实的理论与实践基础，但其组合使用在文献中尚未被广泛探索。因此，本工作特别聚焦于研究组合使用这两种压缩技术的效果。本工作的结果表明，计算机视觉模型最多可移除 90% 的参数总量，而模型精度无显著下降。
引用
@article{arxiv.2207.10082,
title = {Model Compression for Resource-Constrained Mobile Robots},
author = {Timotheos Souroulla and Alberto Hata and Ahmad Terra and Özer Özkahraman and Rafia Inam},
journal= {arXiv preprint arXiv:2207.10082},
year = {2022}
}
备注
In Proceedings AREA 2022, arXiv:2207.09058