作者：Agnik Banerjee, Peter Washington, Cezmi Mutlu, Aaron Kline, Dennis P. Wall

推荐理由：移动设备上小儿情绪识别的预训练应用

在移动设备上实施自动化情绪识别可以为那些难以识别情绪的人提供一种易于使用的诊断和治疗工具，包括患有自闭症等发育行为疾病的儿童。尽管最近在构建更准确的情感分类器方面取得了进展，但现有模型的计算成本太高，无法部署在移动设备上。在这项研究中，作者优化和分析了各种为边缘设备推理而设计的机器学习模型，并且能够匹配先前用于儿童情绪识别的最先进结果。本文最好的模型，一个在 ImageNet 上预训练的 MobileNet-V2 网络，在 CAFE 上实现了 65.11% 的平衡准确度和 64.19% 的 F1 分数，同时在摩托罗拉 Moto G6 手机上实现了 45 毫秒的推理延迟。这种平衡精度仅比 CAFE 的当前最先进技术低 1.79%，CAFE 使用的模型包含 26.62 倍的参数，即使完全优化也无法在 Moto G6 上运行。这项工作验证了通过专门的设计和优化技术，机器学习模型可以变得足够轻量级，可以部署在移动设备上，并且仍然可以在困难的图像分类任务上实现高精度。

下载地址：https://arxiv.org/ftp/arxiv/papers/2108/2108.11754.pdf

HUB地址：https://hub.baai.ac.cn/view/9541

内容中包含的图片若涉及版权问题，请及时与我们联系删除