标题：视觉低级任务中的CNN压缩研究
作者：龚壮展 赵鑫海
作者单位：广东工业大学，广东 广州 510006
关键字：卷积神经网络（CNN）；Tucker（塔克）分解；模型参数；浮点运算次数；CNN压缩
摘要： 卷积神经网络的发展给计算机视觉任务提供了多种解决方法。网络深度的增加，使得模型参数和所需内存也随之增加，这给模型应用到算力和内存等资源有限的设备上带来了困难。卷积神经网络的压缩是一个重要的研究方向，提出利用Tucker分解对视觉低级任务（computer vision low-level tasks）中的卷积神经网络进行压缩。实验证实了Tucker分解对压缩该任务模型的有效性，在去噪神经网络DnCNN中，模型参数量减少了85%~88%，浮点运算次数FLOPs（FLoating point of OPerations）减少了85%~88%。在超分辨率神经网络VDSR中，模型的参数量减少了85%，浮点运算次数FLOPs减少了85%。