基于拼接的 CNN 架构的迭代滤波剪枝
计算机视觉与模式识别
2024-05-08 v1
摘要
模型压缩和硬件加速是深度神经网络实现资源高效部署的关键措施。现代目标检测器中的卷积层具有高度互联的结构且包含拼接操作。本文研究如何对此类架构进行剪枝，以 YOLOv7 为例。我们提出一种基于卷积层连通性图的方法来处理拼接层。通过自动化的迭代灵敏度分析、剪枝及后续模型微调，我们显著减少了模型参数数量和 FLOPs，同时保持了相当的模型精度。最终，我们将剪枝后的模型部署到 FPGA 和 NVIDIA Jetson Xavier AGG 上。剪枝后的模型相较于未剪枝模型在卷积层上实现 2 倍加速，并在 FPGA 上实现 14 FPS 的实时性能。我们的代码已公开于 https://github.com/fzi-forschungszentrum-informatik/iterative-yolo-pruning。
引用
@article{arxiv.2405.03715,
title = {Iterative Filter Pruning for Concatenation-based CNN Architectures},
author = {Svetlana Pavlitska and Oliver Bagge and Federico Peccia and Toghrul Mammadov and J. Marius Zöllner},
journal= {arXiv preprint arXiv:2405.03715},
year = {2024}
}
备注
Accepted for publication at IJCNN 2024