WildFit：面向资源受限 IoT 系统的自主即时模型适应
计算机视觉与模式识别
2025-12-19 v4 人工智能
机器学习
摘要
资源受限的 IoT 设备越来越依赖深度学习模型，但由于光照、天气和季节条件的变化，这些模型在实际应用中会出现显著的精度下降。虽然云端重新训练可以解决此问题，但许多 IoT 部署由于连接有限和能源受限，使得传统微调方法不可行。我们从野生动物生态学的角度探讨了这一挑战，其中相机陷阱必须在没有可靠连接的情况下，跨越季节、天气和栖息地变化，维持准确的物种分类。我们引入 WildFit，一种自主即时适应框架，利用关键洞察：背景场景的变化比受监测物种的视觉特征变化更频繁。WildFit 结合背景感知合成以在设备上生成训练样本，以及漂移感知微调，该微调仅在必要时触发模型更新，以节省资源。我们的背景感知合成比高效基线提高 7.3%，比扩散模型提高 3.0%，且速度快了数量级；我们的漂移感知微调在更新次数减少 50% 且精度提高 1.5% 的情况下实现帕累托最优；最终系统在 37 天内仅消耗 11.2 瓦时， outperforms 领域适应方法 20-35%，使能够实现电池供电的部署。
引用
@article{arxiv.2409.07796,
title = {WildFit: Autonomous In-situ Model Adaptation for Resource-Constrained IoT Systems},
author = {Mohammad Mehdi Rastikerdar and Jin Huang and Hui Guan and Deepak Ganesan},
journal= {arXiv preprint arXiv:2409.07796},
year = {2025}
}
备注
Accepted by ACM SenSys 2026