BRIEF：基于信息流分析的卷积神经网络反向精简算法
机器学习
2018-11-02 v3 计算机视觉与模式识别
机器学习
摘要
本文提出 BRIEF，一种从信息流视角探索紧凑 CNN 模型设计的反向精简算法。该算法通过考虑网络的动态行为，能够去除网络中大量的非零权重参数（冗余神经通道），这是传统模型压缩技术无法实现的。借助我们所提出的算法，我们在 ImageNet 规模上对 ResNet-34 实现了显著的模型精简（减少 32.3%），优于先前结果（10.8%）达 3 倍。即便对于高度优化的模型如 SqueezeNet 和 MobileNet，我们也分别实现了额外的 10.81% 和 37.56% 的精简，且性能下降可忽略不计。
引用
@article{arxiv.1807.05726,
title = {BRIEF: Backward Reduction of CNNs with Information Flow Analysis},
author = {Yu-Hsun Lin and Chun-Nan Chou and Edward Y. Chang},
journal= {arXiv preprint arXiv:1807.05726},
year = {2018}
}
备注
IEEE Artificial Intelligence and Virtual Reality (IEEE AIVR) 2018