基于延迟约束的卷积神经网络层跳过与频率缩放优化
计算机视觉与模式识别
2025-04-01 v1
摘要
卷积神经网络（CNN）的能源消耗是将深度学习模型部署到移动设备和自动驾驶车辆等资源受限设备时的关键因素。我们提出了比例层跳过（PLS）和频率缩放（FS）的方法。层跳过通过有选择地跳过网络层来降低计算复杂度，而频率缩放则调整处理器频率以在延迟约束下优化能源使用。在 CIFAR-10 数据集上对 ResNet-152 进行 PLS 和 FS 实验，结果显示计算需求和能源消耗显著降低，同时保持最小的精度损失。该研究为改善资源受限环境下的实时处理提供了实用方案，并提供了计算效率与模型性能之间平衡的见解。
引用
@article{arxiv.2503.24014,
title = {Optimization of Layer Skipping and Frequency Scaling for Convolutional Neural Networks under Latency Constraint},
author = {Minh David Thao Chan and Ruoyu Zhao and Yukuan Jia and Ruiqing Mao and Sheng Zhou},
journal= {arXiv preprint arXiv:2503.24014},
year = {2025}
}
备注
12 pages, 6 figures, Accepted in Proc. Eur. Conf. Comput. Vis. (ECCV) Workshops. Milan, Italy: Springer, September 2024