AgriKD: Distillazione della Conoscenza Cross-Architetturale per la Classificazione delle Malattie Fogliari
Un nuovo framework chiamato AgriKD facilita la classificazione efficace delle malattie fogliari su dispositivi edge trasferendo le conoscenze da un insegnante Vision Transformer (ViT) a un modello studente convoluzionale più piccolo. Questo metodo affronta le sfide computazionali poste dai ViT in contesti di campo con risorse limitate. AgriKD impiega vari obiettivi di distillazione a livello di output, feature e relazionale per colmare il divario rappresentazionale tra architetture Transformer e CNN. Questa ricerca è stata resa disponibile su arXiv con ID 2605.01355.
Fatti principali
- AgriKD è un framework di distillazione della conoscenza cross-architetturale.
- Trasferisce la conoscenza da un insegnante Vision Transformer (ViT) a un modello studente convoluzionale compatto.
- Il framework mira a un'efficiente implementazione edge per la classificazione delle malattie fogliari.
- Vengono utilizzati molteplici obiettivi di distillazione a livello di output, feature e relazionale.
- L'approccio colma il divario rappresentazionale tra architetture Transformer e CNN.
- I Vision Transformer forniscono una forte rappresentazione ma hanno un costo computazionale elevato.
- L'articolo è disponibile su arXiv con ID 2605.01355.
Entità
Istituzioni
- arXiv