用于压缩单发多框检测器的多层剪枝框架
计算机视觉与模式识别
2018-11-21 v1
摘要
我们提出了一个压缩最先进的单发多框检测器（SSD）的框架。该框架在以下阶段处理压缩：稀疏化诱导、滤波器选择和滤波器剪枝。在稀疏化诱导阶段，目标检测器模型通过改进的全局阈值被稀疏化。在滤波器选择与剪枝阶段，我们利用两个连续卷积层中滤波器权重的稀疏统计来选择并移除滤波器。这使得模型尺寸小于大多数现有的紧凑架构。我们使用多个数据集评估我们框架的性能，并与多种方法进行比较。实验结果表明，我们的方法在PASCAL VOC数据集上对SSD300和SSD512模型分别实现了6.7倍和4.9倍的最先进压缩。我们进一步表明，该方法在German Traffic Sign Detection Benchmark（GTSDB）上对SSD512实现了最大26倍的压缩。此外，我们还经验性地展示了我们的方法在基于分类的架构VGG16上的适应性，在CIFAR和German Traffic Sign Recognition Benchmark（GTSRB）数据集上实现了125倍和200倍的压缩率，flops分别减少90.50%和96.6%，且精度无损失。除此之外，我们的方法不需要任何特殊库或硬件支持来运行所得的压缩模型。
引用
@article{arxiv.1811.08342,
title = {Multi-layer Pruning Framework for Compressing Single Shot MultiBox Detector},
author = {Pravendra Singh and Manikandan R and Neeraj Matiyali and Vinay P. Namboodiri},
journal= {arXiv preprint arXiv:1811.08342},
year = {2018}
}
备注
IEEE Winter Conference on Applications of Computer Vision (WACV), 2019