#220
summarized by : 金城 忍
Convolutional Neural Network Pruning With Structural Redundancy Reduction

どんな論文か?

レイヤー単位で、類似性の高いフィルターを1つの集合としてまとめ、線形独立なフィルターの集合を作成するようにファイルターを取り除くことで、レイヤー毎の構造的な冗長性を削減する一方で、性能に影響を与えることなくモデル圧縮を実現

新規性

各レイヤーのフィルターを頂点とし頂点間の距離の情報をエッジに保存し、フィルター間の関係性を捉えることで、レイヤー毎の構造を保存した状態で冗長なフィルターを削除しモデルの圧縮を実現したという点で新規

結果

ResNet20、ResNet56を使用したCIFAR-10での評価では、プルーニング後の精度の劣化は無く、両者において計算量 (45.8%、53.8%) の改善を達成し、ResNet50を使用したImageNetでの評価では、プルーニング後、0.37% (Top-1)の精度劣化がみられ、44.1%の計算量の改善を達成し、いずれのデータセットを使用した評価においても既存手法と比較し良い結果を達成

その他(なぜ通ったか?等)