基于特征复用的卷积神经网络模型压缩方法

摘要：

为了在不降低准确率的前提下,减小卷积神经网络模型的体积与计算量,提出一种基于特征复用的卷积神经网络压缩模块——特征复用单元(FR-unit).首先,针对不同类型的卷积神经网络结构,提出不同的优化方法;然后,在对输入特征图进行卷积操作后,将输入特征与输出特征进行结合;最后,将结合后的特征传递给下一层.通过对低层特征的重复使用,使总的提取的特征数量不发生改变,以保证优化后的网络的准确率不会发生改变.在CIFAR10数据集上进行验证,实验结果表明,优化后的VGG模型体积缩小为优化前的75.4％,预测时间缩短为优化前的43.5％;优化后的Resnet模型体积缩小为优化前的53.1％,预测时间缩短为优化前的60.9％,且在测试集上的准确率均未降低.

关键词：卷积神经网络、特征复用、网络加速、模型压缩

所属期刊栏目：39

分类号：TP183(自动化基础理论)

在线出版日期：2019-07-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1607-1613