Compressing Semantic Segmentation Models for Agricultural IoT: A Systematic Study of Pruning Trade-Offs for Crop–Weed Segmentation
Flora Amato · Rajib Chandra Ghosh · Semanto Mondal
系统评估六种语义分割模型在农业IoT上的压缩精度-效率权衡，重点分析剪枝策略。
在CWFID数据集上对比CNN与Transformer模型，采用非结构化与结构化
MobileNetV3-Large U-Net精度接近SegFormer-B2且参数少3.7倍；结构
需开发类别感知的压缩评估与自适应剪枝方法，以在资源受限下保持作物分割精度。
系统评估语义分割模型剪枝精度-效率权衡，含多架构多稀疏度对比数据，对农业边缘部署有实质参考价值。
作物与杂草的语义分割是选择性除草系统的重要组成部分，但精确的分割网络会对资源受限的农业平台造成大量的计算和内存需求。本文针对农业边缘计算中语义分割网络压缩所涉及的精度-效率权衡进行了系统性研究。在Crop/Weed Field Image Dataset（CWFID）数据集上评估了六种架构，涵盖传统CNN编码器-解码器、空洞卷积与金字塔池化解码器、面向移动端的CNN以及两种规模的Transformer，每种架构使用三个随机种子。随后对最优紧凑模型在非结构化全局幅度剪枝和依赖感知结构化通道剪枝下进行评估，采用一次性及迭代式剪枝-微调方案，稀疏度从10%到80%，每种配置使用三个种子。在稠密基线中，采用MobileNetV3-Large编码器的U-Net在精度上匹配了更大的SegFormer-B2模型（88.85%对88.67% mIoU，三个种子间差异为0.18%，p = 0.58），而参数量比SegFormer-B2少3.7倍。迭代式非结构化剪枝在保持89.04% mIoU的同时达到80%权重稀疏度；然而，由于稠密张量维度不变，该稀疏度在常规硬件上并不减少参数量、GFLOPs或模型大小。结构化通道剪枝虽能同时降低这三者，但仅在30%稀疏度以内可行，此时GFLOPs降低2.1倍，代价是损失4.21个mIoU点，超过40%后性能崩溃。在不进行微调的情况下，结构化剪枝即使在10%通道稀疏度下也会导致严重退化。结果表明，架构选择对精度-效率权衡具有重大影响，而剪枝的效果则强烈依赖于剪枝结构和微调策略。作物分割始终在总体mIoU显示严重失败之前就已退化，凸显了在压缩作物-杂草分割模型时进行逐类评估的必要性。