인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록·키워드
Despite the excellent performance of deep learning, there are two constraints when it is applied to industrial applications: the size of the network and the ability to adapt to unseen data. Recently, attempts have been made to mitigate these issues using a server-edge–device-based environment. In this study, we proposed a server-edge–device-based efficient retraining framework. First, the difficulty score of the unseen data, which was not used in the current training and had no annotation information, was estimated using a deep learning model in the edge device. Thereafter, the filtered unseen data based on the difficulty score were predicted using the labeling model in the server. Finally, retraining and network compression were performed to enhance the performance of the edge model for unseen data. Extensive experiments show that our framework can improve the recognition performance for unseen data and reduce the retraining time by less than three times compared to using the entire dataset, with a performance gap of less than 1%. Using the proposed framework, systematic efficiency can also be achieved by minimizing the data transfer between the server and edge devices.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
