10.3969/j.issn.1673-629X.2019.12.013
基于深度神经压缩的YOLO优化
从AlphaGo开始,深度学习逐渐进入业内研究者的视线.深度学习成为热点的主要原因是由于近些年设备的计算力的增加,尤其是图形处理器对于浮点数运算的有力支持.YOLO在提出一种新的目标检测方法的同时,由于其过多的网络层数,带来对于存储空间巨大的需求.因此需要对于模型进行压缩,减少对于存储空间的需求.在传统压缩过程中单独使用剪枝或者量化方法,压缩后的模型依然存在一定的冗余.因此提出了一个结合剪枝和量化的方法对于模型进行压缩.文中针对在原始YOLO模型没有对于模型的测试方法以及对于模型稀疏度评估的手段进行优化.在压缩的过程展示中,明确地标明每一层的稀疏度.实验结果证明,YOLO模型在VOC2012数据集条件下,在保持接近原始模型的精度情况下,压缩了10倍.
模型压缩、深度学习、目标检测、权重量化
29
TP183(自动化基础理论)
陕西省科学技术自然科学基础研究计划2018JM6047
2019-12-31(万方平台首次上网日期,不代表论文的发表时间)
共4页
72-75