BriefGPT - AI 论文速递
·
基础模型还是微调？河流污染的少样本语义分割评估
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
FMAS是一个用于语义分割的多目标神经架构搜索框架，通过子采样和验证数据集的子集降低了训练和评估时间。在PASCAL VOC 2012数据集上，FMAS可以快速找到性能更强且计算成本更低的模型。在边缘设备上，FMAS可以找到比现有体系结构快2.2倍的神经网络。
🎯
关键要点
- FMAS是一个用于语义分割的快速多目标神经架构搜索框架。
- 通过子采样DeepLabV3+结构和预训练参数，FMAS显著减少了训练时间。
- 使用验证数据集的子集进一步降低候选模型的评估时间。
- 最终的Pareto非支配候选者使用完整的训练集进行微调。
- 在PASCAL VOC 2012数据集上，FMAS能够快速找到性能更强且计算成本更低的模型。
- FMAS在仅使用0.5 GPU天的时间内找到的DeepLabV3+变体，FLOPs和参数分别减少了10％和20％，误差增加不到3％。
- 在名为GAP8的边缘设备上，FMAS可以发现比现有体系结构快2.2倍的神经网络，MIoU损失仅为7.61％。
➡️
