自自适应网络剪枝
机器学习
2019-10-22 v1 图像与视频处理
摘要
深度卷积神经网络已在广泛任务上被证明是成功的，但在许多工业场景中仍受其巨大计算成本的制约。本文提出通过一种自自适应网络剪枝方法（SANP）来降低CNN的计算成本。我们的方法为每一卷积层引入一个通用的显著性与剪枝模块（SPM），该模块学习预测各通道的显著性分数并施加剪枝。给定总计算预算，SANP自适应地决定针对每一层和每一个样本的剪枝策略，使得平均计算成本满足预算。该设计使SANP在计算上更高效，同时对数据集和骨干网络更具鲁棒性。在2个数据集和3个骨干网络上的大量实验表明，SANP在分类准确率和剪枝率上均超越了state-of-the-art方法。
引用
@article{arxiv.1910.08906,
title = {Self-Adaptive Network Pruning},
author = {Jinting Chen and Zhaocheng Zhu and Cheng Li and Yuming Zhao},
journal= {arXiv preprint arXiv:1910.08906},
year = {2019}
}
备注
10 pages, 5 figures, conference