BriefGPT - AI 论文速递
·
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
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了自适应的维度调整Tucker分解网络压缩方法（ADA-Tucker）和其扩展模型Shared Core ADA-Tucker（SCADA-Tucker），成功降低了LeNet-5和LeNet-300的存储需求，并在其他基准测试和深度网络上取得了良好效果。
🎯
关键要点
- 提出自适应的维度调整 Tucker 分解网络压缩方法（ADA-Tucker）。
- 扩展模型为 Shared Core ADA-Tucker（SCADA-Tucker）。
- 通过学习核心张量和转换矩阵实现高维张量的分解。
- LeNet-5 和 LeNet-300 的存储需求分别降低691倍和233倍。
- 在CIFAR-10、SVHN、ILSVRC12等基准测试上表现良好。
- 在现代深度网络（如ResNet和Wide-ResNet）上也取得了良好效果。
➡️
