EVENT DOSSIER
研究人员提出一种统一的轻量级视觉 Transformer 压缩框架，旨在解决资源受限的农业现场部署难题。该框架融合了基于二阶敏感度估计的自适应块剪枝（H-BAC）、量化技术及注意力知识蒸馏方法。实验在辣椒三分类数据集上验证了该方案的有效性：集成后的模型在保持与 FP32 基线相当准确率（95.13%）的同时，将 INT8 版本模型体积压缩至 6.01 MB，降幅达 74%-98%，完全集成方案实现了高达 54.5 倍的压缩比。对比实验进一步证实，相较于同等大小的直接训练学生模型，引入 H-BAC 与知识蒸馏技术能在特定成本约束下提供额外的性能价值。
研究人员提出了一种统一的轻量级视觉 Transformer 压缩框架，结合基于二阶敏感度估计的自适应块剪枝（H-BAC）、量化及注意力知识蒸馏技术。该框架通过独立评估各组件并集成至针对农业约束的部署管道中，在辣椒三分类数据集上实现了与 F…
研究人员提出了一种统一的轻量级视觉 Transformer 压缩框架，结合基于二阶敏感度估计的自适应块剪枝（H-BAC）、量化及注意力知识蒸馏技术。该框架通过独立评估各组件并集成至针对农业约束的部署管道中，在辣椒三分类数据集上实现了与 F…
研究人员提出了一种统一的轻量级视觉 Transformer 压缩框架，结合基于二阶敏感度估计的自适应块剪枝（H-BAC）、量化及注意力知识蒸馏技术。该框架通过独立评估各组件并集成至针对农业约束的部署管道中，在辣椒三分类数据集上实现了与 FP32 基线相当的 95.13% 准确率，同时将模型体积缩小至 6.01 MB（INT8），降幅达 74-98%，其中完全集成方案实现 54.5 倍压缩。对比实验显示，同尺寸未剪枝且无蒸馏的直接训练学生模型准确率为 94.87%，表明 H-BAC 与知识蒸馏在特定成本下具有价值。
研究人员提出了一种统一的轻量级视觉 Transformer 压缩框架，结合基于二阶敏感度估计的自适应块剪枝（H-BAC）、量化及注意力知识蒸馏技术。该框架通过独立评估各组件并集成至针对农业约束的部署管道中，在辣椒三分类数据集上实现了与 FP32 基线相当的 95.13% 准确率，同时将模型体积缩小至 6.01 MB（INT8），降幅达 74-98%，其中完全集成方案实现 54.5 倍压缩。对比实验显示，同等大小的直接训练学生模型准确率为 94.87%，表明剪枝与知识蒸馏在特定场景下具有额外价值。