Improvements & Evaluations on the MLCommons CloudMask Benchmark

本文报道了在纽约大学（NYU）的高性能计算集群NYU Greene上，使用MLCommons的科学云掩模基准测试对深度学习模型的性能基准测试结果。MLCommons是一个联盟，开发和维护几个科学基准测试，可以受益于人工智能的发展。我们提供了云掩模基准测试任务的描述、更新的代码以及在使用我们选择的超参数设置时，该基准测试的最佳模型。我们的基准测试结果包括在NYU系统上实现的最高精度以及在多次运行/种子中进行基准测试时所需的训练和推理的平均时间。我们的代码可以在GitHub上找到。MLCommons团队已经了解到我们的进展，并可能在未来的工作中使用开发的代码。

论文旨在通过深度学习模型在MLCommons的科学云掩蔽基准测试上进行性能基准测试，解决云掩蔽问题。

论文提出了一种基于深度学习的解决方案，并通过选定的超参数设置，在NYU系统上获得了最高的准确率。

论文介绍了云掩蔽基准测试任务，更新了代码，并提供了在该基准测试中使用选定的超参数设置的最佳模型。实验使用高性能计算集群进行，包括多次运行/种子的平均训练和推理所需的时间。研究人员还在GitHub上公开了代码，MLCommons团队已被告知进展情况，并可能在未来的工作中使用开发的代码。

最近的相关研究包括深度学习模型在云掩蔽问题上的应用，如《基于深度学习的卫星云图像云掩蔽算法研究》和《基于深度学习的云检测算法研究》等。