基于卷积核滤波器筛选的CNN模型精简方法

近年来,卷积神经网络(CNN)在计算机视觉领域中取得了令人瞩目的成绩,在各类的图像竞赛中取得了可喜的成绩.然而,CNN带来的高精度和鲁棒性的背后是计算量大幅增加的支撑,复杂的深层卷积神经网络往往需要在计算机集群或是高端GPU才能运行,因此CNN很难运行在嵌入式设备中,尤其是运行在手持设备中.这就导致CNN不能从实验室进入到人们的日常生活中.本文提出了一种基于卷积核滤波器筛选策略的CNN模型精简方法.通过分析CNN在前向传播中各神经元的激活情况,来找出对网络模型贡献度高的卷积核滤波器,并将这些滤波器重新封装成一个新的“小CNN模型”.这个小模型在不仅在识别率上拥有很高的性能,而且还有效减低了模型体积和计算时间,在本文中通过实验表明CNN模型能够通过精简的方式使运算速度显著加速,而准确率仅仅只下降了两个百分点.