研究業績

AI の進歩に伴い、小型ロボットやモバイルデバイスに高度な AI 技術を組み込むことが不可欠となり、AI モデルの軽量化に向けた研究が推進されています。私たちの研究では、ライトフィールド画像の EPINET 深度推定モデルを強化し、精度を維持しながらコンパクトで推論を高速化することを目指しています。推論効率の向上を目的とした 2 段階の実験を行いました。まず、入力ストリームと畳み込み層を調整することで CNN モデルを簡素化し、精度の低下を犠牲にして推論時間を短縮しました。この精度の低下に対処するために、知識蒸留を適用し、簡素化されたモデルが元のモデルのより複雑なパターンから学習できるようにしました。2 つのエラー メトリック、MSE (平均二乗誤差) と BadPix を使用した定量的実験では、最適な知識の位置を特定し、学生モデルに必要な複雑さを評価しました。その結果、私たちの方法では、MSE が 21%、BadPix が 14% 向上しました。さらに、学生モデルは教師モデルよりも 13% 速い推論速度を達成し、MSE では 10% 精度を上回りました。さらに、私たちのアプローチを繰り返し適用することで、モデルのコンパクトさと精度の両方をさらに向上できることを実証しました。