PulseAugur
实时 18:34:19
English(EN) XTransfer: Modality-Agnostic Few-Shot Model Transfer for Human Sensing at the Edge

XTransfer 赋能边缘端人类感知的高效、少样本模型迁移

研究人员推出 XTransfer,一种将预训练深度学习模型迁移到边缘设备上新的人类感知应用的新颖方法。该方法旨在实现模态无关,并且仅需要少量传感器数据即可进行适应。XTransfer 采用模型修复来安全地调整预训练层,并通过层重组来通过选择和组合源模型中的相关层来高效地重构模型。在各种人类感知数据集上的评估表明,XTransfer 在实现最先进性能的同时,显著降低了数据收集、模型训练和边缘部署的相关成本。 AI

影响 赋能资源受限的边缘设备上用于人类感知的人工智能模型更高效的开发和部署。

排序理由 这是一篇详细介绍新的人工智能模型迁移方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

XTransfer 赋能边缘端人类感知的高效、少样本模型迁移

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yu Zhang, Xi Zhang, Hualin Zhou, Xinyuan Chen, Shang Gao, Hong Jia, Jianfei Yang, Yuankai Qi, Tao Gu ·

    XTransfer:一种模态无关的少样本模型迁移方法,用于边缘端的人体感知

    arXiv:2506.22726v4 Announce Type: replace-cross Abstract: Deep learning for human sensing on edge systems presents significant potential for smart applications. However, its training and development are hindered by the limited availability of sensor data and resource constraints …