CC-Net：面向生物医学图像分割的图像复杂度引导网络压缩
计算机视觉与模式识别
2019-09-10 v2
摘要
用于生物医学图像分析的卷积神经网络 (CNNs) 通常规模非常大，导致高内存需求和高运算延迟。为特定成像应用寻找基础 CNN 的可接受压缩表示，通常需要进行一系列耗时的训练/验证实验，以在网络规模与精度之间取得良好折衷。为应对这一挑战，我们提出 CC-Net，一种面向生物医学图像分割的新型图像复杂度引导 CNN 压缩方案。给定一个 CNN 模型，CC-Net 基于从训练数据计算出的平均图像复杂度，预测不同规模网络的最终精度。随后它选择一个乘性因子，以生成具有可接受网络精度与规模的目标网络。实验表明，CC-Net 能有效生成压缩分割网络，在最佳情况下保留高达 95% 的基础网络分割精度，且仅使用全尺寸网络 0.1% 的可训练参数。
引用
@article{arxiv.1901.01578,
title = {CC-Net: Image Complexity Guided Network Compression for Biomedical Image Segmentation},
author = {Suraj Mishra and Peixian Liang and Adam Czajka and Danny Z. Chen and X. Sharon Hu},
journal= {arXiv preprint arXiv:1901.01578},
year = {2019}
}
备注
Updated FM energy dist. figure