Sincronización multi-aumentación con ensamblaje multi-backbone para mejorar el rendimiento del aprendizaje profundo
Autores: Gordienko, Nikita; Gordienko, Yuri; Stirenko, Sergii
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Sincronización multi-aumentación con ensamblaje multi-backbone para mejorar el rendimiento del aprendizaje profundo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Sistemas
Palabras clave
Aumento
Estructuras principales
Aprendizaje profundo
Inteligencia perimetral
Conjunto
Rendimiento
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
Este estudio presenta una técnica novedosa llamada Synchronized Multi-Augmentation (SMA) combinada con el ensamblaje de múltiples backbones (MB) para mejorar el rendimiento y la generalización del modelo en tareas de aprendizaje profundo (DL) en escenarios del mundo real. SMA utiliza datos de entrada aumentados de forma sincronizada para el entrenamiento a través de múltiples backbones, mejorando el proceso general de extracción de características. Las salidas de estos backbones se fusionan utilizando dos estrategias distintas: el método de fusión promedio, que promedia predicciones, y el método de fusión densa, que promedia características a través de una red completamente conectada. Estos métodos tienen como objetivo aumentar la precisión y reducir los costos computacionales, especialmente en sistemas de Inteligencia en el Borde (EI) con recursos limitados. La técnica SMA propuesta fue evaluada en el conjunto de datos CIFAR-10, destacando su potencial para mejorar las tareas de clasificación en flujos de trabajo de DL. Este estudio proporciona un análisis exhaustivo de varios backbones, sus métodos de ensamblaje y el impacto de diferentes SMAs en el rendimiento del modelo. Los resultados demuestran que las SMAs que involucran ajustes de color, como contraste y ecualización, mejoran significativamente la generalización bajo condiciones de iluminación variadas que simulan condiciones de baja iluminación del mundo real, superando las aumentaciones espaciales tradicionales. Este enfoque es particularmente beneficioso para el hardware de EI, como microcontroladores y dispositivos IoT, que operan bajo restricciones estrictas como poder de procesamiento y memoria limitados y requisitos de procesamiento en tiempo real. Los hallazgos de este estudio sugieren que emplear SMA y el ensamblaje de MB puede ofrecer mejoras significativas en precisión, generalización y eficiencia, convirtiéndolo en una solución viable para implementar modelos de DL en dispositivos de borde con recursos limitados bajo condiciones prácticas del mundo real.
Descripción
Este estudio presenta una técnica novedosa llamada Synchronized Multi-Augmentation (SMA) combinada con el ensamblaje de múltiples backbones (MB) para mejorar el rendimiento y la generalización del modelo en tareas de aprendizaje profundo (DL) en escenarios del mundo real. SMA utiliza datos de entrada aumentados de forma sincronizada para el entrenamiento a través de múltiples backbones, mejorando el proceso general de extracción de características. Las salidas de estos backbones se fusionan utilizando dos estrategias distintas: el método de fusión promedio, que promedia predicciones, y el método de fusión densa, que promedia características a través de una red completamente conectada. Estos métodos tienen como objetivo aumentar la precisión y reducir los costos computacionales, especialmente en sistemas de Inteligencia en el Borde (EI) con recursos limitados. La técnica SMA propuesta fue evaluada en el conjunto de datos CIFAR-10, destacando su potencial para mejorar las tareas de clasificación en flujos de trabajo de DL. Este estudio proporciona un análisis exhaustivo de varios backbones, sus métodos de ensamblaje y el impacto de diferentes SMAs en el rendimiento del modelo. Los resultados demuestran que las SMAs que involucran ajustes de color, como contraste y ecualización, mejoran significativamente la generalización bajo condiciones de iluminación variadas que simulan condiciones de baja iluminación del mundo real, superando las aumentaciones espaciales tradicionales. Este enfoque es particularmente beneficioso para el hardware de EI, como microcontroladores y dispositivos IoT, que operan bajo restricciones estrictas como poder de procesamiento y memoria limitados y requisitos de procesamiento en tiempo real. Los hallazgos de este estudio sugieren que emplear SMA y el ensamblaje de MB puede ofrecer mejoras significativas en precisión, generalización y eficiencia, convirtiéndolo en una solución viable para implementar modelos de DL en dispositivos de borde con recursos limitados bajo condiciones prácticas del mundo real.