-
题名融合权重与卷积核删减的SSD网络压缩
被引量：1
- 1
-
-
作者
韩佳林
王琦琦
杨国威
陈隽
王以忠
-
机构
天津科技大学电子信息与自动化学院
麦克马斯特大学电子工程系
-
出处
《计算机科学》
CSCD
北大核心
2019年第11期272-276,共5页
-
文摘
目标检测是计算机视觉领域中重要的研究方向。近几年,深度学习在基于视频的目标检测领域取得了突破性研究进展。深度学习强大的特征学习和特征表达能力,使其能够自动学习和提取相关特征并加以利用。然而,复杂的网络结构使得深度学习模型具有参数规模大、计算需求高、占用存储空间大等问题。基于深度神经网络的单发多框检测器(Single-shot Multi-box Detector 300,SSD300)能够对视频中的目标进行实时检测,但无法移植到嵌入式设备或移动终端以满足实际应用中的需求。为了解决该问题,文中提出了一种权重删减和卷积核删减融合的方法。首先,针对深度卷积神经网络模型权重参数过多导致模型过大的问题,采用权重删减的方法移除各卷积层中的冗余权重,确定各层权重的稀疏度;然后,针对卷积层计算量大的问题,根据各卷积层中的权重稀疏度对冗余卷积核进行删减,以减少冗余参数和计算量;最后,对删减后的神经网络进行训练,以恢复其检测精度。为验证该方法的有效性,在卷积神经网络框架caffe平台上对SSD网络模型进行验证。结果表明,压缩加速后的SSD300网络模型的大小为12.5 MB,检测速度最高可达50 FPS(frames per second)。实验实现了在网络检测准确率下降尽量小的前提下,将SSD300网络压缩了8.4×,加速了2×。权重删减和卷积核删减融合的方法为SSD300网络在视频检测中的智能化应用提供了可行性方案。
-
关键词
深度神经网络
单发多框检测器
网络压缩与加速
权重删减
卷积核删减
-
Keywords
Deep neural networks
Single-shot multi-box detector(SSD)
Network compression and acceleration
Weight pruning
Filter pruning
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
TP391.4
[自动化与计算机技术—计算机应用技术]
-
