三维医学图像分割的训练后网络压缩：通过 Tucker 分解减少计算工作量

该研究使用Tucker分解对预训练卷积网络的卷积核进行压缩，降低网络复杂度，适用于移动设备。

提出自适应维度调整Tucker分解网络压缩方法（ADA-Tucker）和扩展模型SCADA-Tucker，显著减少模型存储。

在多个数据集上测试，ADA-Tucker和SCADA-Tucker在保持准确度的同时，存储减少691倍和233倍。

综述六种张量分解方法及其在神经网络中的应用，强调其在边缘设备上的效果显著。

提出分层Tucker分解压缩循环神经网络，提升表示能力，显著提高压缩比和测试准确度。

提出个性化的Tucker分解（perTucker），解决传统方法在捕捉数据集异质性方面的局限性。

提出单次整个网络压缩方案，适用于移动设备，显著降低模型尺寸、运行时间和能量消耗，精度损失小。

提出新的采样算法MACH，用于计算Tucker分解，适合处理大规模数据。

提出InfTucker模型，结合贝叶斯模型，适用于多元数据分析，预测准确性优于现有模型。

使用多种张量分解方法对门控循环单元RNN进行再参数化，减少参数数量并保持表达能力。