Компьютерная наука > Компютерное видение и распознавание моделей [представлено 26 октября 2026 года] Название: CrowdCC: Совместный контроль жесткости коррупции и количественного использования в толпе подсчёта PDF HTML (экспериментальное) резюме. Однако эффективность коррупции и квантизация развертывания, как правило, оцениваются отдельно. Мы введем CrowdCC - контрольный показатель борьбы с коррупцией, который совместно оценивает эти последствия с использованием 23 коррумпированных данных на трех уровнях строгости, 4 массивов данных по массовому учету и 26 моделей с использованием двигателей A100 TensorRT на FP32, FP16 и точности после обучения INT8, которые сочетаются с измерениями производительности и энергии из соответствующих конфигураций Jetson Orin NX. Коррумпация охватывает шесть семей, при этом аннотация головы корректируется в случае изменения геометрии или видимости. Наша оценка показывает, что коррупция в цепи захвата неизменно вызывает самую большую деградацию во всех оцениваемых моделях, а плотность толпы влияет на абсолютную и относительную погрешность поразному. Чистая точность не в полной мере предсказывает коррумпированные характеристики. INT8 существенно изменяет силу коррупции, чем FP16 без систематического руководства и не способствует последовательному улучшению запоздалости или энергии. Эффективность вывода INT8 тесно связана с реформированными накладными расходами в компилированном двигателе, а замедление также наблюдается при ограниченном охвате INTE8.…
КвордКК: Совместный контроль за жесткостью коррупции и количественным использованием при подсчете толпы
arXiv:2610.36340v1 Annualce Type: New Brieft: Crowd-censing Models, развертываемые на кадрах, сталкиваются с двумя изменениями: вводимые ресурсы деградируют по трубопроводу улавливания и передачи, а модели квантизируются для удовлетворения ресурсных ограничений. Однако эффективность коррупции и квантизация развертывания, как правило, оцениваются отдельно. Мы введем CrowdCC - контрольный показатель борьбы с коррупцией, который совместно оценивает эти последствия с использованием 23 коррумпированных данных на трех уровнях строгости, 4 массивов данных по массовому учету и 26 моделей с использованием двигателей A100 TensorRT на FP32, FP16 и точности после обучения INT8, которые сочетаются с измерениями производительности и энергии из соответствующих конфигураций Jetson Orin NX. Коррумпация охватывает шесть семей, при этом аннотация головы корректируется в случае изменения геометрии или видимости. Наша оценка показывает, что коррупция в цепи захвата неизменно приводит к самой крупной деградации во всех оцениваемых моделях, а плотность толпы влияет на абсолютную и относительную погрешность.