SC2基准：面向分割计算的监督式压缩

随着移动设备上深度学习模型需求的增长，将神经网络计算在设备与更强大的边缘服务器之间分割已成为一种有吸引力的方案。然而，现有的分割计算方法往往表现不如在压缩数据上远程计算的朴素基线。近期研究提出学习包含更多与监督下游任务相关信息的压缩表示，展示了压缩数据大小与监督性能之间改进的权衡。然而，现有评估指标仅提供分割计算的不完整图景。本研究引入面向分割计算的监督式压缩（SC2），并提出新的评估准则：最小化移动设备上的计算量、最小化传输数据大小、最大化模型精度。我们使用10种基线方法、三项计算机视觉任务和超过180个训练模型进行了全面的基准研究，并讨论了SC2的各个方面。我们还发布了sc2bench，一个用于未来SC2研究的Python包。我们提出的指标和包将帮助研究者更好地理解分割计算中监督式压缩的权衡。