DSTconv

轻量级SED模型大幅缩小事件数据显著性预测模型尺寸

研究人员开发了SED，一种用于事件数据显著性预测的轻量级网络，通过知识蒸馏和新颖的深度可分离时空卷积块（DSTconv）显著减小了模型尺寸和参数数量。该方法将模型尺寸从180 MB大幅削减至0.32 MB，参数数量从4500万减少到81,000，同时在N-DHF1K和N-UCF Sports等基准数据集上保持或超越了性能。SED模型还展示了强大的泛化能力，能够成功地从合成事件数据迁移到其他模型失败的真实世界事件数据上。