48、深度神经网络压缩与除草机器人精准作物定位技术

深度神经网络压缩与除草机器人精准作物定位技术

1. 深度神经网络压缩方法对比

在深度卷积神经网络（DCNNs）领域，网络压缩是提高模型效率的重要手段。这里将介绍一种方法，并与一些近期有效的基于低秩的网络压缩方法进行对比，涉及的网络包括 ResNet20、ResNet32 和 VGG16。

1.1 不同网络的压缩策略

• ResNet32 ：前三个阶段采用 Tucker 分解进行压缩，后两个阶段采用 CP 分解进行压缩。
• VGG16 ：通道数小于等于 256 的卷积层采用 Tucker 分解，通道数等于 512 的卷积层采用 CP 分解。

1.2 实验对比结果

以下是在 CIFAR10 数据集上与其他低秩网络压缩方法的对比结果：
| Model | Approach | Top-1/BL (%) | Params. (%) |
| — | — | — | — |
| ResNet20 | SSS | 90.85/92.53 | 83.4 |
| ResNet20 | Hinge | 91.84/92.54 | 44.6 |
| ResNet20 | RSTR | 88.3/90.4 | 16.7 |
| ResNet20 | LREL | 90.8/91.8 | 59.3 |
| ResNet20 | ADMM - TT | 91.03/91.25 | 14.7 |
| ResNet20 | ours | 91.84/92.93 |