基于稳定性的滤波器剪枝以加速深度 CNN
计算机视觉与模式识别
2018-11-21 v1
摘要
卷积神经网络（CNN）在多个领域的广泛任务（分类、检测等）上取得了令人印象深刻的性能，但代价是高计算与内存需求。因此，将 CNN 用于实时应用需要模型压缩方法，其不仅减少参数总数，也降低整体计算量。本工作中，我们提出一种基于稳定性的 CNN 滤波器级剪枝方法。我们在不同架构（LeNet、VGG-16、ResNet 与 Faster RCNN）与数据集上评估所提方法，并通过大量实验证明其泛化能力。此外，我们的压缩模型在运行时无需任何特殊库或硬件即可使用。我们的模型压缩方法将 FLOPS 数量降低达 6.03 倍，GPU 内存占用降低超过 17 倍，显著优于其他最先进的滤波器剪枝方法。
引用
@article{arxiv.1811.08321,
title = {Stability Based Filter Pruning for Accelerating Deep CNNs},
author = {Pravendra Singh and Vinay Sameer Raja Kadi and Nikhil Verma and Vinay P. Namboodiri},
journal= {arXiv preprint arXiv:1811.08321},
year = {2018}
}
备注
IEEE Winter Conference on Applications of Computer Vision (WACV), 2019