面向低功耗嵌入式设备的深度压缩肺炎检测
图像与视频处理
2019-11-07 v1 机器学习
机器学习
摘要
深度神经网络(DNNs)已拓展至医疗领域，并通过提取复杂特征、实现高精度与高性能等方式引发了部分医疗应用的变革。相比之下，大规模网络对存储资源和计算资源均有较高要求，尤其对于便携式医疗设备及其他嵌入式系统。本工作中，我们首先使用 RSNA 肺炎检测挑战赛提供的数据集训练了一个用于肺炎检测的 DNN。为克服实现大规模网络的硬件限制，我们开发了一种具有滤波器稀疏性、列稀疏性和组合稀疏性的系统化结构化权重剪枝方法。实验表明，与原始的 106 层模型相比，我们可实现高达 36 倍的压缩比，同时保持精度无下降。我们在嵌入式低功耗设备 Jetson TX2 上评估了所提方法，实现了低功耗使用和高能效。
引用
@article{arxiv.1911.02007,
title = {Deep Compressed Pneumonia Detection for Low-Power Embedded Devices},
author = {Hongjia Li and Sheng Lin and Ning Liu and Caiwen Ding and Yanzhi Wang},
journal= {arXiv preprint arXiv:1911.02007},
year = {2019}
}