PulseAugur
中
实时 13:23:45
English(EN) Parameter-Efficient Fine-Tuning of Large Pretrained Models for Instance Segmentation Tasks

PEFT方法通过最少的参数调整提升实例分割效果

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员调查了参数高效微调（PEFT）方法，特别是适配器（adapters）和LoRA，在基于Transformer的模型用于实例分割任务中的应用。研究发现，这些技术可以在仅微调模型参数的一小部分的情况下实现具有竞争力的性能，与传统的微调相比显著降低了计算成本。在每个Transformer块中使用2-3个适配器时观察到最佳结果，而LoRA在应用于可变形注意力（deformable attention）时显示出特别的潜力，有时性能优于适配器配置。 AI

影响 展示了用于实例分割的高效迁移学习，可能使大型模型的定制更加便捷。

排序理由 该集群包含一篇详细介绍新研究发现和方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Nermeen Abou Baker, David Rohrschneider, Uwe Handmann ·

    Parameter-Efficient Fine-Tuning of Large Pretrained Models for Instance Segmentation Tasks

    arXiv:2606.01947v1 Announce Type: cross Abstract: Research and applications in artificial intelligence have recently shifted with the rise of large pretrained models, which deliver state-of-the-art results across numerous tasks. However, the substantial increase in parameters int…

相关实体

相关话题