关键词resource-constrained hardware
搜索结果 - 5
- CVPR标准图像和视频编解码器对深度视觉性能的视角
本文研究了在深度视觉模型中使用标准编解码器的影响，发现使用 JPEG 和 H.264 编码会显著降低各类视觉任务和模型的准确性，特别是在语义分割准确度上降低了超过 80％。与以往研究不同的是，我们的分析扩展到图像和动作分类以外的领域，提供了 - 具有可证明保证的神经网络后训练量化
本研究提出了一种针对神经网络量化的方法，该方法通过量化权重来降低计算成本、内存占用和功耗，并促进权重的稀疏性，使用本方法在 ImageNet 上测试显示准确性的损失很小。
- ICCV面向资源受限型硬件的单目深度估计视觉域自适应
针对视觉域适应的背景下，在资源受限的硬件上训练深度神经网络的问题，通过采用压缩技术、有效且硬件感知的架构设计以及对多样的操作环境进行模型自适应解决，实验结果表明，只有使用有效网络架构和少量的训练数据才足以实现图像深度估计。
- 高效 HRNet: 轻量级高分辨率多人姿态估计的高效缩放
本研究提出了 EfficientHRNet，这是一系列轻量级多人姿势估计器，能够在资源受限设备上实时执行姿势估计操作。通过将模型缩放的最新进展与高分辨率特征表示的统一，EfficientHRNet 在降低计算量的同时创建高度准确的模型，最大 - 具有自动秩选取的贝叶斯张量神经网络
本文提出了一种贝叶斯张量化神经网络，通过自适应张量秩确定实现自动模型压缩。我们在全连接神经网络、CNN 和残差神经网络上进行了实验验证，仅仅通过训练，我们的方法可以将模型压缩 7.4 倍到 137 倍。