预训练检测器的高效可迁移性评估
原文中文，约300字，阅读约需1分钟。发表于：。本研究通过建立一个包含各种结构、数据集和训练方法的大型目标检测器转移性基准，提出了一种高效的计算方式，同时评估分类和回归子任务，以及评估具有不同物体的任务。实验证明，相比于蛮力调整所有预训练检测器，我们的方法在不同目标领域下评估转移性能优于其他现有的方法，同时降低了 32 倍的时间和仅需 5.2% 的内存占用。
本文提出了一个基于能量的可转移性评估度量（ETran），用于解决目标检测和图像分类中预训练模型的排名问题。ETran通过能量得分、分类得分和回归得分来判断目标数据集对预训练模型是否为带内或带外数据，并在分类、回归和目标检测任务上都适用。实验证明，ETran在目标检测和分类基准测试上的平均性能分别比先前的方法提高了21%和12%。
