压缩目标检测

深度学习方法在目标检测和姿态估计等视觉识别任务中取得了前所未有的性能。然而，最先进的模型拥有以浮点数表示的数百万参数，这使得它们计算开销巨大，并限制了其在手机和物联网节点等硬件上的部署。最常见的是，深度神经网络的激活往往是稀疏的，从而证明模型存在过度参数化并含有冗余神经元。模型压缩技术，如剪枝和量化，最近通过以极小的性能损失改善模型复杂度而展现出有前景的结果。在这项工作中，我们将剪枝（一种丢弃不必要模型连接的压缩技术）和权值共享技术扩展到目标检测任务。通过我们的方法，我们能够在性能不损失的情况下将最先进的目标检测模型压缩 30.0%。我们还表明，我们的压缩模型可以轻松地用现有的预训练权重进行初始化，因此能够充分利用已发布的最先进模型库。