基于卷积核滤波器筛选的CNN模型精简方法

• 作者: 周冕 王震
• 来源期刊: 天津理工大学学报
• 学科: 工学
• 关键词: 卷积神经网络 精简 性能 滤波器
• 年，卷（期）: 2018,（2）
• 页码范围: 18-23
• 页数: 6页
• 分类号: TP399
• 字数: 4845字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-095X.2018.02.004

摘要

近年来,卷积神经网络(CNN)在计算机视觉领域中取得了令人瞩目的成绩,在各类的图像竞赛中取得了可喜的成绩.然而,CNN带来的高精度和鲁棒性的背后是计算量大幅增加的支撑,复杂的深层卷积神经网络往往需要在计算机集群或是高端GPU才能运行,因此CNN很难运行在嵌入式设备中,尤其是运行在手持设备中.这就导致CNN不能从实验室进入到人们的日常生活中.本文提出了一种基于卷积核滤波器筛选策略的CNN模型精简方法.通过分析CNN在前向传播中各神经元的激活情况,来找出对网络模型贡献度高的卷积核滤波器,并将这些滤波器重新封装成一个新的“小CNN模型”.这个小模型在不仅在识别率上拥有很高的性能,而且还有效减低了模型体积和计算时间,在本文中通过实验表明CNN模型能够通过精简的方式使运算速度显著加速,而准确率仅仅只下降了两个百分点.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王震	天津理工大学计算机科学与工程学院	7	7	2.0	2.0
2	周冕	天津理工大学计算机科学与工程学院	2	5	1.0	2.0