• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>IEEE Conference on Computer Vision and Pattern Recognition Workshops >Pruning ConvNets Online for Efficient Specialist Models
【24h】

Pruning ConvNets Online for Efficient Specialist Models

机译：在线修剪扫描，以获得高效的专业模式

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Convolutional neural networks (CNNs) excel in various computer vision related tasks but are extremely computationally intensive and power hungry to run on mobile and embedded devices. Recent pruning techniques can reduce the computation and memory requirements of CNNs, but a costly retraining step is needed to restore the classification accuracy of the pruned model. In this paper, we present evidence that when only a subset of the classes need to be classified, we could prune a model and achieve reasonable classification accuracy without retraining. The resulting specialist model will require less energy and time to run than the original full model. To compensate for the pruning, we take advantage of the redundancy among filters and class-specific features. We show that even simple methods such as replacing channels with mean or with the most correlated channel can boost the accuracy of the pruned model to reasonable levels.
机译：在各种计算机视觉相关任务中的卷积神经网络（CNNS）Excel，但在移动和嵌入式设备上运行的繁荣是非常计算的密集和电力。最近的修剪技术可以降低CNN的计算和内存要求，但是需要昂贵的再培训步骤来恢复修剪模型的分类精度。在本文中，我们提出了证据表明，当只需要分类类别的子集时，我们可以修剪模型并在不再培训的情况下达到合理的分类准确性。由此产生的专业模型将需要比原始全模型更少的能量和时间来运行。为了弥补修剪，我们利用过滤器和特定于类特征之间的冗余。我们表明即使是简单的方法，如替换具有均值或最相关信道的替换通道，可以将修剪模型的准确性提升到合理的水平。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号