10.19678/j.issn.1000-3428.0058784
基于敏感度的YOLO网络集成剪枝算法
深层卷积神经网络所需的计算量和存储空间严重制约了其在资源有限平台上的应用与部署.针对基于单一参数重要性评价或者特征重建的剪枝算法泛化能力较差的问题,提出基于敏感度的集成剪枝算法,利用BN层的缩放因子稀疏YOLO网络中卷积核个数较多的冗余层,结合3种参数重要性评价方法对卷积核做重要性排序,并根据敏感度确定每一层的剪枝比率.实验结果表明,该剪枝算法对于YOLOv3和YOLOv3-tiny网络分别缩减80.5%和92.6%的参数量,并且相比基于网络轻量化方法的剪枝算法提升了网络模型压缩后的检测精度和泛化能力.
卷积神经网络;敏感度;集成剪枝算法;YOLO网络;重要性评价
47
TP391(计算技术、计算机技术)
国家重点研发计划G158207
2021-11-10(万方平台首次上网日期,不代表论文的发表时间)
共10页
59-68