在过去的十年中，需要执行复杂机器学习模型的计算资源的移动机器人数量一直在增加。通常，这些机器人依靠在无线通信上访问的边缘基础架构来执行重型计算复杂任务。但是，边缘可能会变得不可用，因此，迫使机器人执行任务。这项工作着重于通过减少预训练的计算机视觉模型的复杂性和参数总数来执行机器人上的任务。这是通过使用模型压缩技术（例如修剪和知识蒸馏）来实现的。这些压缩技术具有强大的理论和实用基础，但是在文献中并未广泛探索它们的合并用法。因此，这项工作尤其着重于研究结合这两种压缩技术的影响。这项工作的结果表明，可以删除计算机视觉模型参数总数的90％，而不会大幅度降低该模型的准确性。
translated by 谷歌翻译
尽管机器学习方法在其培训领域表现良好，但通常在现实世界中往往会失败。在心血管磁共振成像（CMR）中，呼吸运动代表了采集质量以及随后的分析和最终诊断的主要挑战。我们提出了一个工作流程，该工作流程预测CMRXMOTION挑战2022的CMR中呼吸运动的严重程度得分。这是技术人员在获取过程中立即提供有关CMR质量的反馈的重要工具，因为可以直接重新获得质量较差的图像，同时还可以重新获得质量。该患者在附近仍有可用。因此，我们的方法可确保获得的CMR在用于进一步诊断之前达到特定的质量标准。因此，在严重运动人工制品的情况下，它可以有效地进行适当诊断的有效基础。结合我们的细分模型，这可以通过提供完整的管道来保证适当的质量评估和对心血管扫描的真实细分来帮助心脏病专家和技术人员的日常工作。代码库可在https://github.com/meclabtuda/qa_med_data/tree/dev_qa_cmrxmotion获得。
translated by 谷歌翻译