تشخیص اشیاء استتار شده (COD) همیشه یکی از چالشهای سخت برای هوش مصنوعی بوده، مخصوصاً وقتی بخواهیم مدل را روی دستگاههای کوچک اجرا کنیم و محدودیت حافظه داشته باشیم.
محققان در مطالعه جدید خود متوجه شدند که کوانتایز کردن مدلهای ترنسفورمر برای این کار باعث از دست رفتن جزئیات حساس میشود. حالا آنها تکنیک جدیدی به نام COD-TDQ معرفی کردهاند که:
✅ با استفاده از «گروهبندی توکنها»، گلوگاههای پردازشی را حذف میکند.
✅ دقت مدل را بدون نیاز به بازآموزی (Retraining) تا ۰.۱۲ واحد در معیارهای اصلی بهبود میدهد.
✅ راهکاری عالی برای اجرای مدلهای بینایی ماشین سنگین روی سختافزارهای ضعیفتر فراهم کرده است.
اگر در حوزه بینایی ماشین یا بهینهسازی مدلها فعال هستید، این مقاله و کدهای آن در گیتهاب مرجع بسیار ارزشمندی است.
منبع: arXiv Computer Vision