卷积神经网络的发展给计算机视觉任务提供了多种解决方法.网络深度的增加,使得模型参数和所需内存也随之增加,这给模型应用到算力和内存等资源有限的设备上带来了困难.卷积神经网络的压缩是一个重要的研究方向,提出利用Tucker分解对视觉低级任务(computer vision low-level tasks)中的卷积神经网络进行压缩.实验证实了Tucker分解对压缩该任务模型的有效性,在去噪神经网络DnCNN中,模型参数量减少了85％～88％,浮点运算次数FLOPs(FLoating point of OPerations)减少了85％～88％.在超分辨率神经网络VDSR中,模型的参数量减少了85％,浮点运算次数FLOPs减少了85％.
展开▼
