CAMEL：跨架构掩码嵌入学习打造超轻量视网膜基础模型

CAMEL 用跨架构蒸馏把视网膜基础模型压缩为轻量模型。

资讯摘要

论文提出 CAMEL（跨架构掩码嵌入学习），一种跨架构蒸馏框架，在嵌入学习阶段采用非对称掩码策略，将大型教师基础模型的知识迁移到紧凑轻量的学生模型。作者在四个数据集上评估，报告称 CAMEL 在保持准确率的同时大幅降低计算复杂度，使模型适合资源受限的临床环境。

要点速读

1. 论文提出跨架构蒸馏框架 CAMEL，用非对称掩码策略把大型教师基础模型的知识迁移到轻量学生模型。
2. 作者在四个数据集上评估，报告称准确率得以保持且计算复杂度大幅降低。
3. 研究针对视网膜基础模型（如 RETFound）计算开销大、难以在硬件受限临床环境部署的问题。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/3 08:00:27（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。