机构名称：
¥ 1.0
摘要 — 最近，深度神经网络在许多与计算机视觉相关的任务中的表现都优于传统的机器学习算法。然而，在移动和物联网设备上实现这些模型在计算上是不可接受的，大多数设备都在利用云计算方法，其中优秀的深度学习模型负责分析服务器上的数据。这会给设备带来通信成本，并在通信不可用时使整个系统变得毫无用处。本文提出了一种在物联网设备上部署的新框架，该框架可以同时利用云和设备上的模型，方法是从每个样本的分类结果中提取元信息并评估分类的性能以确定是否需要将样本发送到服务器。实验结果表明，使用该技术只需将 40% 的测试数据发送到服务器，框架的整体准确率为 92%，这提高了客户端和服务器模型的准确性。影响声明 — 本文提出了一种在本地移动设备上实施可操作智能的新方法。所提出的框架使用元信息智能地决定和控制样本是否应在本地或服务器模型上运行。通过提出一种利用知识蒸馏思想的神经架构搜索技术的新方法，提高了嵌入式人工智能单元的性能。此外，通过在客户端模型上引入早期退出，嵌入式人工智能单元的效率和灵活性得到了提高。实验结果证明了所提框架的效率和有效性。该框架也在真实设备上实现。索引词——物联网；嵌入式深度学习；分割人工智能；NAS；皮肤
ESAI：通过早期退出实现高效分裂人工智能......
主要关键词
相关文件推荐
