《表1 剪枝前后主要性能指标对比》
本文使用的深度学习框架是Tensorflow。在一台TitanXP上完成了Faster-RCNN的训练。测试平台是Intel i5 8300H的CPU。剪枝前后主要性能指标对比见表1。在对训练好的模型中的卷积滤波器剪枝75%后,经过一定的微调,mAp值从0.804降至0.785,仅有1.9%的精度损失。模型占用的内存空间从113 MB降至50.4 MB,这大大降低了实际应用中硬盘存储的压力,以及模型推理过程中发生的访存交换。在模型参数量上,剪枝之前模型中所有的参数是2 833万个,剪枝之后还剩下1 253万个参数,即参数量减少了56%。在单张图片的推理时间上,模型在剪枝之前,对200张舰船影像的平均推理时间是9.374 s,在剪枝之后,平均推理时间降至4.583 s,在速度上提升了51%。在许多场景下,相比获得的性能上的提升,1.9%的精度损失是可以接受的。
图表编号 | XD00154099100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.25 |
作者 | 周舟、王海鹏、徐丰、张志俊、王志诚 |
绘制单位 | 复旦大学电磁波信息科学教育部重点实验室、复旦大学电磁波信息科学教育部重点实验室、复旦大学电磁波信息科学教育部重点实验室、上海无线电设备研究所、上海无线电设备研究所 |
更多格式 | 高清、无水印(增值服务) |