- MMMobileCodec: 移动设备上的神经间帧视频压缩
本文通过使用高通技术和创新,展示了在移动设备上实现神经网络视频编解码器的实际可行性,并展示了应用中的首个在商业移动电话上运行的帧内神经视频解码器,以低比特率和高视觉质量实时解码高清视频的实验结果。
- MM异构设置下联邦自监督学习:在 HAR 上基线方法的限制
本研究旨在提供在现实环境下使用半监督学习来评估联邦学习的参考标准,其重点在于联邦自监督学习的研究,以利用移动设备上存在的大量异构未标记数据。通过使用多个现实异构人类活动识别数据集,本研究表明标准轻量级自编码器和标准联邦平均无法学习人类活动识 - ECCVCPrune: 面向目标的 DNN 高效执行的编译器导向模型剪枝
CPrune 提出了一种基于编译器调整的模型修剪方法,通过构建子图的结构信息进行有信息的修剪,从而在满足精度要求的同时,将 DNN 的执行速度提高了 2.73 倍。
- 联邦分裂 GANs
该论文提出了一个新的方法,通过使用生成对抗网络(GANs)的隐私保护属性来在用户设备上本地训练 ML 模型,并使用分割学习(SL)在设备之间共享计算负载,从而保护数据隐私且具有短训练时间和模型准确性。
- UserLibri: 仅使用文本进行 ASR 个性化的数据集
通过在移动设备上使用文本数据进行语言模型的个性化,提高了针对该用户的语音识别性能。利用 LibriSpeech 语料库和 Project Gutenberg 的个性化文本,我们对 55 个用户的文字 - 语音配对数据进行了实验,并提供了 U - ICML动态转移:防止热限制的发生
本研究旨在解决在移动设备上运行机器学习模型时出现的过热现象引起的处理器降频和模型推理延迟增加的问题,提出了一种基于动态网络的动态移位方法,在保持一定准确性的前提下根据热量变化智能选择大小模型,从而实现一致的应用性能表现。
- CVPRMobileOne:一种改进的一毫秒移动骨干网络
通过对多个移动设备上的网络进行部署和分析,提出了有效神经网络的优化瓶颈,设计了一种高效的 MobileOne 神经网络,该网络在 iPhone12 上获得了 1 ms 以下的推断时间,并在性能和速度方面超越了现有的语义分割网络。
- ICML高效的深度边缘智能动态分割计算
本研究提出了一种基于动态选择拆分位置的动态拆分计算模型,通过利用现代深度神经网络结构中已有的瓶颈,避免了重新训练和超参数优化,并没有对深度神经网络的最终准确性产生任何负面影响。大量实验证明,动态拆分计算模型在边缘计算环境中可以实现更快的推理 - 使用行为生物特征和机器学习评估用户认证模式
本研究使用行为生物识别,包括触摸动态和手机移动,创建和评估了用户身份验证方案。使用两个公开数据集,采用 7 种机器学习算法进行评估,准确率高达 86%。
- ECCV基于 Vision Transformers 的轻量级 CNN 竞争移动设备
通过引入高度成本效益的局部全局局部(LGL)信息交换瓶颈,结合最优的自注意力和卷积,我们引入了 EdgeViTs,这是一种新的轻便 ViTs 家族,它们能够在准确性和设备效率之间的权衡中与最佳轻量级 CNNs 竞争,并优于其他 ViTs 几 - ACL轻量级文本图像检索的两阶段模型压缩:更精简、更快速
本文提出了一种有效的两阶段框架,用于压缩大型预训练双编码器,以实现轻量级文本图片检索,其结果模型较小(原始的 39%),处理图像 / 文本的速度快(分别为 1.6x / 2.9x),在 Flickr30K 和 MSCOCO 基准测试中表现不 - 行为生物特征认证中常用的机器学习分类模型探究
讨论了现有行为生物识别移动认证中使用的关键机器学习算法,重点关注使用触摸动态和手机移动的算法。
- MM一种实用的跨设备联邦学习框架在 5G 网络上
本研究分析了现有的移动设备联邦学习方案的挑战,并提出了一种新的交叉设备联邦学习框架,它利用匿名通信技术和环签名来保护参与者的隐私,同时降低了移动设备参与 FL 的计算开销,此外,我们的方案实现了一种基于贡献的激励机制来鼓励移动用户参与联邦学 - CVPRTopFormer:移动语义分割的 Token 金字塔 Transformer
本研究提出了一种名为 TopFormer 的移动友好的架构,该架构以不同尺度的 Token 作为输入,产生具有尺度感知的语义特征,并将这些特征注入到相应的 Token 中以增强表示能力,该方法在多个语义分割数据集上明显优于 CNN 和 Vi - ECCV用于超低精度超分辨率网络的动态双可训练边界
本文提出了一种新的激活量化方法 - 动态双可训练界(DDTB),以解决超低精度(例如 2 位和 3 位)SR 模型在使用低成本层面量化器进行量化时所遇到的性能下降困境,该方法通过针对激活的不对称性做出创新,并且使用动态门控器运行时自适应地调 - 数字接触追踪的机器学习方法:TC4TL 挑战
本研究探讨使用机器学习方法及蓝牙低功耗技术,通过对移动设备的传感数据和元数据分析距离,以改善传统手动接触追踪实践,达到防控传染病的目的。实验结果表明,使用 TableNet 结构和特征工程,可以显著提高模型性能,使得 nDCF 总得分从 2 - LwPosr:轻量高效的细粒度头部姿态估计
本文提出了一种基于深度可分离卷积和变换器编码器层结构的两个流和三个阶段的轻量级网络 LwPose,用于头部姿势估计 (HPE) 任务,与此前的方法相比,该方法具有更高的效率和更小的空间要求,适用于移动设备。
- CVPR通过廉价操作在异构设备上运行 GhostNets
本论文旨在为包括 CPU 和 GPU 在内的异构设备设计高效的神经网络,尤其是通过利用特征映射中的冗余,并提出了 CPU 和 GPU 适用的解决方案。通过提出一种新的 CPU-efficient Ghost(C-Ghost)模块来生成更多的 - ICML基于叠加编码和逐级解码的通信能量高效可调节联邦学习
针对移动设备能量有限和通信不稳定的问题,本文提出了一种名为 SlimFL 的能量和通信高效的联邦学习框架,其使用可调整宽度的 SNN 及叠加编码和解码技术,能够同时训练 0.5x 和 1.0x 模型,具有较高的准确性和收敛速度。
- PP-PicoDet: 移动端更好的实时物体检测器
本文针对物体检测中精度和效率的平衡问题,研究了关键优化和神经网络结构选择,提出了新的面向移动设备的实时物体检测器,通过多种优化实现了更好的精度和延迟性能的平衡,并优于其他流行模型。