面向能效目标检测的域特定模型训练
计算机视觉与模式识别
2018-11-20 v2 机器学习
摘要
我们提出一个端到端框架,用于训练域特定模型(DSMs),以在目标检测任务中同时获得高准确率和计算效率。DSMs 通过蒸馏\cite{hinton2015distilling}进行训练,并专注于在有限域内(例如固定的交叉路口视角)实现高准确率。我们认为,即便模型规模较小,DSMs 也能很好地捕捉本质特征,从而比传统技术实现更高的准确率和效率。此外,我们通过从训练集中剔除易于分类的图像来缩减数据集规模,从而提高训练效率。在该有限域内,我们观察到紧凑的 DSMs 显著超越了同等规模的 COCO 训练模型准确率。通过在紧凑数据集上训练,我们表明在准确率仅下降 3.6% 的情况下,训练时间可减少 93%。代码已上传至 https://github.com/kentaroy47/training-domain-specific-models。
引用
@article{arxiv.1811.02689,
title = {Training Domain Specific Models for Energy-Efficient Object Detection},
author = {Kentaro Yoshioka and Edward Lee and Mark Horowitz},
journal= {arXiv preprint arXiv:1811.02689},
year = {2018}
}