基于冗余卷积核移除的卷积神经网络计算-性能优化
计算机视觉与模式识别
2018-04-11 v3
摘要
深度卷积神经网络（CNN）广泛应用于现代计算机视觉算法中，输入图像通过大量卷积核迭代卷积以提取其背后的知识。然而，随着近年来卷积层深度不断加深，巨大的计算复杂度使其难以部署在硬件资源有限的嵌入式系统上。本文提出两种在性能和架构约束下减少CNN冗余卷积核的计算-性能优化方法，并将其应用于一个超分辨率（SR）网络。以相较于原始网络的PSNR下降作为性能准则，我们的方法可在给定计算预算约束下获得最优PSNR。另一方面，我们的方法也能够在给定PSNR下降条件下最小化所需计算量。
引用
@article{arxiv.1705.10748,
title = {Computation-Performance Optimization of Convolutional Neural Networks with Redundant Kernel Removal},
author = {Chih-Ting Liu and Yi-Heng Wu and Yu-Sheng Lin and Shao-Yi Chien},
journal= {arXiv preprint arXiv:1705.10748},
year = {2018}
}
备注
This paper was accepted by 2018 The International Symposium on Circuits and Systems (ISCAS)