【WF-IoT-普渡大学】低功耗深度学习和计算机视觉方法综述

https://www.zhuanzhi.ai/paper/044328fcf142f9b08eab9fc54d7d835a

深度神经网络(DNNs)在许多计算机视觉任务中是成功的。然而，最精确的DNN需要数以百万计的参数和操作，这使得它们需要大量的能量、计算和内存。这就阻碍了大型DNN在计算资源有限的低功耗设备中的部署。最近的研究改进了DNN模型，在不显著降低精度的前提下，降低了内存需求、能耗和操作次数。本文综述了低功耗深度学习和计算机视觉在推理方面的研究进展，讨论了压缩和加速DNN模型的方法。这些技术可以分为四大类:(1)参数量化和剪枝;(2)压缩卷积滤波器和矩阵分解;(3)网络结构搜索;(4)知识提取。我们分析了每一类技术的准确性、优点、缺点和潜在的问题解决方案。我们还讨论了新的评价指标，作为今后研究的指导。

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“LPDL” 就可以获取《【WF-IoT-普渡大学】低功耗深度学习和计算机视觉方法综述》专知下载链接

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源