精选理由
直接提升小模型火灾分类精度
HumP-KD框架提出一种混合不确定性感知多阶段渐进知识蒸馏方法，用于高效火灾分类。在FlameVision（8600张）和Dataset-II（31309张）两个数据集上测试，从Swin-Tiny和ViT-Base两个冻结教师模型蒸馏知识到轻量MobileViT-S学生模型。在Dataset-II上，HumP-KD达到平均F1分数0.9876±0.0063，显著高于MobileViT-S基线（0.9537±0.0351），t检验p=0.0195。学生模型仅4.94M参数、19.01Mb大小，相对于Swin-Tiny参数减少5.7倍，CPU FPS达37.72。
AI 翻译 · 中文
HumP-KD框架提出一种混合不确定性感知多阶段渐进知识蒸馏方法，用于高效火灾分类。在FlameVision（8600张）和Dataset-II（31309张）两个数据集上测试，从Swin-Tiny和ViT-Base两个冻结教师模型蒸馏知识到轻量MobileViT-S学生模型。在Dataset-II上，HumP-KD达到平均F1分数0.9876±0.0063，显著高于MobileViT-S基线（0.9537±0.0351），t检验p=0.0195。学生模型仅4.94M参数、19.01Mb大小，相对于Swin-Tiny参数减少5.7倍，CPU FPS达37.72。
Real-time fire classification systems require models that are simultaneously accurate, computationally efficient, and deployable on resource-constrained hardware. This work proposes \textbf{HumP-KD}, a Hybrid Uncertainty…