通过随机初始化网络进行智能监控的无源模型可转移性评估
Wei-Cheng Wang1, Sam Leroux1, Pieter Simoens1
1IDLab, Department of Information and Technology, Ghent University-imec, 9052 Ghent, Belgium.
Sensors (Basel, Switzerland)
|July 12, 2025
概括
一个新的框架有效地为各种环境选择最好的智能监控摄像机模型,而不需要标记数据. 这种方法使用随机初始化的神经网络 (RINNs) 来确保最佳的模型可转移性,用于像异常检测这样的任务.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 智慧城市技术 智慧城市技术
背景情况:
- 智能监控摄像头对于智能城市的自动化任务至关重要.
- 由于不同的部署环境,通用模型是不理想的.
- 在没有标记数据的情况下,为新站点选择合适的模型是具有挑战性的.
研究的目的:
- 开发一个自动化框架来评估智能监控中的模型可转移性.
- 为新部署地点确定最适合的预训练模型.
- 克服无法获得的源数据和标记的目标数据的挑战.
主要方法:
- 构建一个模型动物园的各种环境背景模型.
- 利用来自随机初始化的神经网络 (RINNs) 的嵌入,用于任务无关的参考嵌入.
- 在没有预训练的情况下,使用小批量集中内核对齐 (CKA) 量化嵌入相似性.
主要成果:
- 嵌入级分数和基本真相模型排名之间的高度相关性 (肯德尔的t:0.95,0.94,0.89).
- 在各种下游任务中展示了对最可转移模型的一致选择.
- 验证了框架的实用性,用于对象标记,异常检测和事件分类.
结论:
- 拟议的框架为选择最佳监控模型提供了一个强大的,低成本的解决方案.
- 它有效地解决了在智能城市部署中对模型适应或再培训的需求.
- 该方法消除了对标记数据的需求,提高了实际适用性.
