Comparison of chosen image classification methods on Android
Artykuł w czasopiśmie
MNiSW
5
spoza listy
| Status: | |
| Warianty tytułu: |
Porównanie wybranych metod klasyfikacji obrazów na platformie Android
|
| Autorzy: | Zapalski Mariusz Krzysztof , Żabczyński Patryk Konrad , Powroźnik Paweł |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2025 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Wolumen/Tom: | 36 |
| Strony: | 342 - 349 |
| Bazy: | BazTech |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 30 września 2025 |
| Abstrakty: | angielski | polski |
| The authors compared three lightweight convolutional networks (MobileNet-V1, EfficientNet-Lite0 and ResNet-50) for image classification on Android smartphones using TensorFlow Lite and a multithreaded CPU. They measured inference time, CPU load and memory usage across various devices. EfficientNet-Lite0 proved the best compromise - providing high accuracy, short and consistent processing times and moderate resource demands. MobileNet-V1 was the fastest but less precise, while ResNet-50 achieved the highest accuracy at the expense of speed and memory. In practice, Efficient-Net-Lite0 is recommended, and further research into optimizations such as quantization, pruning and adaptive frame sampling is advised. | |
| Autorzy zestawili trzy lekkie konwolucyjne sieci (MobileNet-V1, EfficientNet-Lite0 i ResNet-50) pod kątem klasyfikacji obrazówna smartfonach z Androidem, wykorzystując TensorFlow Lite i wielowątkowy CPU. Przeprowadzono pomiary czasu inferencji, obciążenia procesora i zużycia pamięci na różnych modelach urządzeń. EfficientNet-Lite0 okazał się najlepszym kompromisem - zapewniając wysoką dokładność, krótki i równy czas przetwarzania oraz umiarkowane zu-życie zasobów. MobileNet-V1 działa najszybciej, lecz kosztem precyzji, a ResNet-50 osiąga topową trafność, ale wolniej i przy dużym zapotrzebowaniu na pamięć. W praktyce rekomenduje się EfficientNet-Lite0, a także dalsze badania nad optymalizacjami, takimi jak kwantyzacja, przycinanie sieci czy adaptacyjne próbkowanie klatek. |
