机构名称：
¥ 1.0
参数良好的转移学习（PETL）方法在将预训练的模型适应各种下游任务时显示出希望，而仅训练了少数几个参数。在计算机视觉（CV）域中，已经提出了许多PETL算法，但它们的直接就业或比较仍然不便。为了应对这一挑战，我们通过从图像识别，视频操作识别和密集的预测任务中选择30种不同，挑战性和综合数据集来为CV域构建一个统一的视觉PETL基准（V-PETL基准）。在这些数据集上，我们系统地评估了25种主要的PETL算法，并开源一个模块化和可扩展的代码库，以公平地评估这些算法。V-PETL台式在NVIDIA A800 GPU上运行，大约需要310 GPU天。我们释放所有基准，使其对研究人员更加有效和友好。此外，V-PETL台将不断更新新的PETL算法和CV任务。
v-petl基准：统一的视觉参数效率...
主要关键词
相关文件推荐
