arXiv cs.AI· S Mahmudul Hasan, Lu Peng·· 12 小时前AI 评分20
CrowdCC：联合评测人群计数模型的损坏鲁棒性与部署量化
CrowdCC: Jointly Benchmarking Corruption Robustness and Deployment Quantization in Crowd Counting
AI 导读
CrowdCC 基准联合评测人群计数模型的损坏鲁棒性与部署量化，覆盖 23 种部署场景损坏、3 个严重等级、4 个数据集和 26 个模型，在 A100 TensorRT 上以 FP32、FP16、INT8 精度运行并测量 Jetson Orin NX 吞吐与能耗。
正文 · AI 翻译
摘要：部署在边缘设备上的拥挤计数模型面临两种变化：输入在采集和传输流程中发生退化，而模型则被量化以满足资源约束。然而，损坏鲁棒性和部署量化通常是分开评估的。我们提出了 CrowdCC，一个受控损坏基准，使用 23 种面向部署的损坏（三种严重程度）、四个拥挤计数数据集，以及 26 个使用 A100 TensorRT 引擎、以 FP32、FP16 和训练后 INT8 精度运行的模型，并结合相应 Jetson Orin NX 配置下的吞吐量和能耗测量，联合评估这些影响。这些损坏涵盖六个类别，当几何形状或可见性发生变化时会对头部标注进行调整。我们的评估表明，在评估的模型中，采集链损坏始终造成最大的性能下降，而人群密度对绝对误差和相对误差的影响不同。干净准确率不能完全预测损坏后的性能。INT8 对损坏鲁棒性的改变远大于 FP16，且没有系统性的方向，也不能持续改善延迟或能耗。INT8 推理效率与编译引擎中的重格式化开销密切相关，而在 INT8 覆盖有限的情况下也观察到性能下降。精度会改变损坏误差排名和鲁棒性-成本前沿，这表明模型选择必须同时考虑损坏鲁棒性和实测部署成本。代码可在 此 https URL 获取。
| 评论： | 已被 WACV 2027 接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.36340 [cs.CV] |
| （或 arXiv:2610.36340v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36340 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：S Mahmudul Hasan [查看电子邮件]
[v1]
2026年10月26日星期一 22:08:23 UTC（23,182 KB）
来源：arXiv cs.AI · arxiv.org