轻量化 AI 赋能工业互联网边缘终端多源数据实时解析研究
DOI: http://dx.doi.org/10.12349/mit.v3i2.11058
Article ID: 11058
摘要
关键词
全文:
PDF参考
李响, 王健, 陈博. 工业互联网边缘计算技术综述. 计算机学报, 2022, 45(3): 612-638.
Han S, Mao H, Dally W J. Deep compression: Compressing deep neural networks with pruning, trained quantization and Huffman coding[J]. International Conference on Learning Representations (ICLR), 2016.
Howard A G, Zhu M, Chen B, et al. MobileNets: Efficient convolutional neural networks for mobile vision applications. arXiv:1704.04861, 2017.
张宇, 刘洋, 孙磊. 工业多源异构数据融合方法综述. 自动化学报, 2023, 49(1): 45-62.
Hinton G, Vinyals O, Dean J. Distilling the knowledge in a neural network[J]. NIPS Deep Learning and Representation Learning Workshop, 2015.表 1 主流边缘 AI 模型压缩方法对比方法参数压缩率精度损失推理延迟变化适用场景结构化剪枝30%–60%＜2%延迟降低20%–55%通用CNN，无需稀疏加速库INT8量化（Q AT）内存减少约75%＜1%延迟降低40%–70%ARM NEON/NPU硬件加速知识蒸馏取决于学生规模精度提升1%–3%与学生架构规模相关标注数据充足场景本文（剪枝+QAT+蒸馏）综合约80%＜1.5%延迟降低约92%工业边缘终端受限场景
Refbacks
- 当前没有refback。
版权所有（c）2026 陈 琪, 李 晗, 谢 林, 黄 元, 李 念
此作品已接受知识共享署名-非商业性使用 4.0国际许可协议的许可。
