基于滤波器组近似的极致网络压缩
计算机视觉与模式识别
2018-08-01 v2
摘要
本文提出一种基于滤波器组近似的新颖分解方法，可在保持大部分特征表示的同时显著减少深度卷积神经网络 (CNNs) 的冗余。与其他在空间或通道维度上操作滤波器低秩分解算法不同，我们所提方法主要聚焦于挖掘各层的滤波器组结构。对于包括 VGG 和 ResNet 在内的几种常用 CNN 模型，我们的方法在各种图像分类数据集上能以少于前沿方法的精度下降削减超过 80% 的浮点运算量 (FLOPs)。此外，实验表明我们的方法有助于缓解压缩网络的退化现象，该现象会损害网络的收敛与性能。
引用
@article{arxiv.1807.11254,
title = {Extreme Network Compression via Filter Group Approximation},
author = {Bo Peng and Wenming Tan and Zheyang Li and Shun Zhang and Di Xie and Shiliang Pu},
journal= {arXiv preprint arXiv:1807.11254},
year = {2018}
}
备注
Accepted by ECCV2018