面向智能边缘设备的任务自适应增量学习
分布式、并行与集群计算
2019-10-09 v1
摘要
卷积神经网络（CNN）被广泛用于图像分类和目标检测等一系列图像相关任务。然而，考虑到特定任务的边缘应用，大型预训练 CNN 模型存在大量冗余。此外，静态预训练模型无法高效处理实际应用中的动态数据。CNN 的训练数据及其标签以增量方式收集。为应对上述两个挑战，我们提出了 TeAM，一种面向智能边缘设备 CNN 的任务自适应增量学习框架。给定一个预训练大模型，TeAM 可将其配置为用于专用边缘应用的任意专用模型。该专用模型可利用本地数据快速微调，达到很高的精度。同时，借助我们的全局聚合与增量学习方案，这些专用 CNN 模型可被协同聚合为一个利用新训练数据增强的全局模型。
引用
@article{arxiv.1910.03122,
title = {Task-Adaptive Incremental Learning for Intelligent Edge Devices},
author = {Zhuwei Qin and Fuxun Yu and Xiang Chen},
journal= {arXiv preprint arXiv:1910.03122},
year = {2019}
}
备注
2 pages