科研之友
微信
新浪微博
Facebook
分享链接
摘要
模型压缩可以有效地促进卷积神经网络在资源受限设备上的部署。作为一个研究热点，滤波器剪枝已经受到了从学术界到工业界的广泛关注。滤波器剪枝的本质是对重要滤波器进行选择和保留。然而，现有的研究主要集中在静态滤波器和局部滤波器的选择上，压缩后的模型仍然存在一定的冗余。基于此，提出了一种自适应动态滤波器剪枝方法，该方法通过引入一个激活权值生成模块来生成每个滤波器的激活值。将模块嵌入各种经典网络中，来动态评估卷积层中所有滤波器的重要性，并自适应地选择能提取更丰富信息的滤波器来重构剪枝后的网络。在CIFAR-10和AUC数据集上使用不同卷积神经网络进行了实验，所提方法在CIFAR-10数据集上与目前几种主流的剪枝方法相比具有更优越的性能。在AUC数据集上进行剪枝前后压缩70%左右计算量的情况下，准确率下降不超过0.3个百分点。在不同网络上的实验证明了该方法在不同模型上的泛化能力。
- 单位
