用于细胞电子冷冻断层成像所捕获大分子结构分离加速的模型压缩

电子冷冻断层成像（ECT）能够对单细胞内大分子结构进行三维可视化。基于卷积神经网络（CNN）的大分子分类方法已被开发出来，用于从ECT中系统分离数百万个捕获的大分子。然而，鉴于ECT数据的快速积累，在预测阶段很快将有必要使用CNN模型高效且准确地分离数量大幅增加的大分子，这需要额外的计算成本。为加速预测，我们将分类模型压缩为紧凑的神经网络，且精度损失很小以便部署。具体而言，我们提出通过知识蒸馏进行模型压缩。首先训练一个复杂的教师网络以生成具有更好分类可行性的软标签，随后利用软标签训练具有简单结构的定制学生网络，从而压缩模型复杂度。我们的测试表明，压缩后的模型在保持相似分类精度的同时，显著减少了参数数量和时间成本。