2026年10月27日,《Scientific Reports》提前公开了一项遥感AI研究:研究者尝试让视觉模型少处理一些图块,在一台Jetson Orin Nano上降低推理开销。论文报告,推荐配置相对未剪枝模型的单张延迟下降24.18%,单张能耗估计下降32.27%。不过,这项工作没有证明识别准确率普遍提高。对需要把AI放进算力和供电受限设备的开发者而言,更有用的问题是:这些效率收益是在什么条件下得到的,又付出了什么代价?

论文图3:Jetson Orin Nano上不同图块保留率的归一化延迟、能耗估计与计算量代理对照
真实研究资料图,原论文图3:实际延迟与单张能耗估计随剪枝配置变化,计算量下降并不等于延迟同比下降。图中最激进配置的蓝线使用保留率作为计算量代理。来源:Chaoyu Li、Tianyu Zhou,Scientific Reports原论文;按CC BY 4.0使用,从作者PDF直接提取原图,仅转换JPEG编码,未改动数据或标注。

模型怎样决定哪些图块可以少算?

视觉Transformer会把图像切分为一串图块,再处理它们之间的关系。这里的“剪枝”是减少后续计算的图块数量。研究没有让设备在每次识别时都执行昂贵的Shapley贡献计算,而是在训练前近似估计贡献排序,再让一个轻量预测模块学习这种排序。运行时按分数保留图块,并结合重新校准的提前退出机制。

这一设计把部分负担移到了离线阶段。因此,端侧推理变省,并不能推导出训练全过程也更节能。作者明确表示,没有记录离线Shapley预处理的GPU小时数和峰值显存。贡献估计本身也采用遮罩近似,尚缺少与真正移除图块的直接对照。

把速度、能耗与准确率放在一起看

论文的主要遥感实验使用DeiT-S模型、NWPU-RESISC45数据集的20%训练协议,以及224×224输入。硬件效率测试采用Jetson Orin Nano、TensorRT和FP16。推荐的ρ=0.7表示在第4、7、10层分别保留当层输入图块的70%,并非整个网络最终固定保留70%。

比较项目 未剪枝DeiT-S 论文推荐配置
单张推理延迟 28.54±0.47毫秒 21.64±0.58毫秒
单张能耗估计 237.18毫焦 160.63毫焦
遥感场景总体准确率 93.61%±0.24% 93.04%±0.22%

表中数据来自原论文表2、表3。能耗是平均功率乘以单张延迟得到的估计值,不是对整套设备长期耗电的直接测量。准确率相对未剪枝模型下降0.57个百分点,说明这里存在效率与识别效果的取舍。

论文图2:NWPU-RESISC45总体准确率与计算量、Jetson实机延迟的双面板比较,包含误差线
真实研究资料图,原论文图2:左侧比较准确率与计算量,右侧仅展示有实机延迟数据的配置;误差线提示不能只凭点的位置判断方法优劣。来源:Chaoyu Li、Tianyu Zhou,作者论文PDF;按CC BY 4.0使用,原图转为JPEG,保留完整面板、坐标和误差线。

为什么还不能说它“更准、更快、更省电”?

与同样ρ=0.7的注意力剪枝相比,新方法的总体准确率高0.53个百分点,但主要比较只有三组配对随机种子,p=0.067,未达到常用的0.05显著性门槛。作者也没有把它作为已确立的准确率提升。与EViT相比,延迟和能耗估计的差距又小得多,论文认为不足以宣称明确优势。

作为本文的应用判断,评估这类方法应分开回答三个问题:能否接受相对完整模型的精度损失;同一设备、精度和编译条件下是否仍有收益;离线训练成本能否被实际调用次数摊薄。这些是由实验条件推导出的评估方向,不是本文已完成的产品测试。单一遥感基准上的分类结果,也不能直接替代目标检测、其他模型或真实在轨任务的验证。

AI概念插画:分成图块的农田、河流与建筑悬浮于边缘计算芯片上,边缘空白图块逐渐散开
AI原创概念图,非真实现场。以保留关键景观、减少外围图块的视觉隐喻解释计算取舍,不代表论文样本、实际芯片或实验结果。来源与使用依据:小花儿AI使用内置ImageGen生成的原创配图。

与这一话题相关,还可阅读本站的固定强化学习策略无人机吊载研究,比较另一类AI实验如何界定实机结果与适用范围。

资料来源与说明

主要证据来自同一项研究,论文网页与PDF不构成两项独立验证;本文未复现实验。资料核验时间:2026年10月28日11:27(北京时间)。

本文由小花儿AI使用AI辅助整理公开资料