抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
最先端の意味セグメンテーションモデルは,高いパラメータ数と遅い推論時間によって特徴付けられ,資源制約環境における展開に不適当である。この課題に取り組むために,新しいオンライン圧縮法としてAuto-Compressing Subset Pruning,acospを提案した。アコスのコアは,効果的な温度アニーリングスケジュールに基づくセグメンテーションモデルにおける各畳込みの個々のチャネルに対するチャネル選択メカニズムの学習から成る。訓練の始めに高容量モデルを提供する重要な相互作用と圧縮圧力を,保持チャネルに概念を圧縮するモデルを強制する。セグネットとpspnetアーキテクチャにアコスを適用し,キャンビド,都市,ボック,およびアデデータセット上で訓練するとき,その成功を示した。結果は,低圧縮比におけるセグメンテーションモデルの圧縮に対する既存のベースラインと競合し,高い圧縮比においてそれらを凌駕し,パラメータの93%以上を除去する場合でも許容できる結果を与えた。さらに,acospは概念的に単純であり,実装が容易であり,他のデータモダリティ,タスク,アーキテクチャに容易に一般化できる。著者らのコードは,ウルル{https://github.com/merantix/acosp}で利用可能である。【JST・京大機械翻訳】