3DQ：用于全脑体数据分割的紧凑量化神经网络
计算机视觉与模式识别
2023-08-22 v3
摘要
模型架构规模急剧增大，以资源需求为代价提升性能。本文中我们提出 3DQ，一种三值量化方法，首次应用于 3D 全卷积神经网络（F-CNNs），在实现 16 倍模型压缩的同时保持与全精度模型相当的性能。我们在两个数据集上针对全脑分割这一挑战性任务广泛评估 3DQ。此外，我们展示了方法在两种常见 3D 架构即 3D U-Net 与 V-Net 上的泛化能力。所提方法优于多种基线，能将大型 3D 模型压缩至数 MBytes，缓解空间关键应用中的存储需求。
引用
@article{arxiv.1904.03110,
title = {3DQ: Compact Quantized Neural Networks for Volumetric Whole Brain Segmentation},
author = {Magdalini Paschali and Stefano Gasperini and Abhijit Guha Roy and Michael Y. -S. Fang and Nassir Navab},
journal= {arXiv preprint arXiv:1904.03110},
year = {2023}
}
备注
Accepted to MICCAI 2019