取决于特定的硬件或ML加速器,例如智能手机GPU。尽管对这些步骤进行了充分的研究,但仍缺乏对实用系统的描述。对于这样的系统,所有这些步骤都需要彼此同时工作,并在系统内的故障或不理想的输入数据中优雅地退缩。我们展示了如何处理不可预见的校准变化,例如,由于加热,在野外支持深度估计,并且仍然遵守流畅的用户体验所需的内存和延迟约束。我们表明我们的训练有素的模型很快,并且在六岁的三星Galaxy S8 Phone的CPU上运行不到1秒。我们的模型可以很好地推广到看不见的数据,并在米德伯里和从智能眼镜中捕获的野外图像上取得良好的效果。
主要关键词
![arxiv:2211.10551V2 [CS.CV] 2023年3月31日PDF文件第1页](/bimg/8/85e3e874f5340bfd8213a0cf5f35bb31ded3136d.webp)
![arxiv:2211.10551V2 [CS.CV] 2023年3月31日PDF文件第2页](/bimg/1/14d4462e13611d12121a2cf41753af608230d8fe.webp)
![arxiv:2211.10551V2 [CS.CV] 2023年3月31日PDF文件第3页](/bimg/6/69aa2bf7c26928b2cafe59b6b081c6c6af100131.webp)
![arxiv:2211.10551V2 [CS.CV] 2023年3月31日PDF文件第4页](/bimg/8/8be957f23c83d1aa50745ac52b17aef864235b15.webp)
![arxiv:2211.10551V2 [CS.CV] 2023年3月31日PDF文件第5页](/bimg/4/4d3447c170205848e2c22be9819e2f5de05bacfa.webp)
