Nov, 2023

使用几何中值准则对轻量级人脸检测器进行滤波修剪

PDF
TL;DR本文通过在两种已经小巧而紧凑的人脸检测器上实现了滤波剪枝，名为 EXTD（极小型人脸检测器）和 EResFD（高效 ResNet 人脸检测器）。利用几何中位数（FPGM）的滤波剪枝主要算法，结合软滤波剪枝（SFP）的迭代过程。此外，我们还应用 L1 范数剪枝作为与所提出方法进行比较的基准。在 WIDER FACE 数据集上的实验评估表明，所提出的方法在不损失模型准确性的情况下，甚至可以在低剪枝速率下进一步减小已经轻量级的人脸检测器的模型大小。
face detectorsnetwork pruning techniquesfilter pruninggeometric medianwider face dataset
发现论文，激发创造
  • 基于几何中位数的卷积神经网络滤波剪枝加速

    通过数学中介数理论给出了一种新的滤波器压缩方法 FPGM，该方法完全不受 “小范数” 原则的限制，不仅能够压缩 CNN 模型，而且还能提高相对精度。

    Nov, 2018

  • 深度网络剪枝：关于人脸识别中 CNN 的比较研究

    通过深度网络剪枝等方法，对基于小型 SqueezeNet、流行的 MobileNetv2 和 ResNet50 架构的网络进行压缩，以实现移动设备上的可靠且实时的人脸识别。

    May, 2024

  • 基于迭代滤波复用的极小人脸检测器

    本文提出了一种新的多尺度人脸检测器 EXTD，参数数量少于 0.1 万，实现了与深度重型检测器相当的性能，采用了轻量级和浅层的骨干网络的共享，从而显著减少了参数数量，并提供了从网络层的高阶抽象图像语义到低级特征图的功能。

    Jun, 2019

  • 特征统计指导的高效滤波器剪枝

    本文提出一种新的滤波器剪枝方法，该方法结合了多个特征图选择机制：多样性感知选择和相似性感知选择，能够有效地减小卷积神经网络的参数大小和浮点运算数，同时几乎不会降低其分类准确度。

    May, 2020

  • REPrune: 通过代表选举进行滤波裁剪

    本研究提出一种名为 REPrune 的新颖剪枝方法，通过聚类选择代表性滤波器，从而获得更好的压缩率并提高精度。实验证明，REPrune 方法可以在保持相似精度的情况下，减少 49% 的 FLOPs。

    Jul, 2020

  • SqueezerFaceNet：通过过滤器修剪进一步减少小型人脸识别 CNN

    移动设备的广泛使用为可靠的实时人脸识别验证提供了需求，本研究介绍了一种轻量级的人脸识别网络 SqueezerFaceNet，通过基于 Taylor 分数的网络剪枝方法将网络大小进一步减小，并且在不显著损失性能的情况下证明了其有效性。

    Jul, 2023

  • LFFD：一款适用于边缘设备的轻量快速人脸检测器

    本文提出了一种针对边缘设备的轻量级和高速人脸检测器，其方法是基于无锚点的一阶段检测，通过重新考虑感受野和有效感受野（ERF）之间的关系来实现多尺度的连续人脸检测。综合实验结果表明，该方法在多个数据集上取得了更高的准确度和更快的推断速度。

    Apr, 2019

  • 通过学习全局排序实现高效模型压缩

    该论文提出了一种新的卷积神经网络滤波器裁剪算法，名为 LeGR，通过产生一组具有不同精度和延迟权衡的卷积神经网络来代替产生一个具有预定义延迟约束的卷积神经网络，且相比于之前的方法，LeGR 可以在保持性能的情况下快 2-3 倍。

    Apr, 2019

  • 被动滤波剪枝提高 CNN 效率

    提出了一种基于运算符范数的被动滤波器修剪方法，通过考虑滤波器在输出中的贡献来裁剪滤波器，相对于现有的主动滤波器修剪方法快 4.5 倍，并且在声音场景分类和图像分类等任务中表现出更好的泛化能力和性能。

    Apr, 2023

  • 通过生成对抗学习实现最优结构化 CNN 剪枝

    本研究提出了一种基于 GAN 的方法，通过软屏蔽对过滤器和其他结构进行联合裁剪，并在快速迭代阈值算法（FISTA）的帮助下获得更快速和可靠的裁剪。实验证明该方法在不同数据集上都可以获得显著的性能提升。

    Mar, 2019