利用稠密网络与Fisher剪枝实现更快速的注视预测
计算机视觉与模式识别
2018-07-10 v2 机器学习
摘要
从图像预测人类注视点近来通过利用为物体识别预训练的深度表示取得了巨大改进。然而，正如我们在本文中所展示的，这些网络对于注视点预测任务高度过参数化。我们首先提出一种简单而有原则的贪婪剪枝方法，称之为Fisher剪枝。通过知识蒸馏与Fisher剪枝的结合，我们获得了运行效率更高的显著性预测架构，在CAT2000数据集上以相同的AUC性能实现了10倍加速。加速单图像注视预测对许多实际应用十分重要，但也是视频显著性模型开发中的关键一步，因为其中待处理的数据量要大得多。
引用
@article{arxiv.1801.05787,
title = {Faster gaze prediction with dense networks and Fisher pruning},
author = {Lucas Theis and Iryna Korshunova and Alykhan Tejani and Ferenc Huszár},
journal= {arXiv preprint arXiv:1801.05787},
year = {2018}
}