1、Context-aware Deep Feature Compression for High-speed Visual Tracking
作者提出了一种新的基于上下文感知相关滤波的追踪框架,来在实时追踪的同时达到高的计算速度和state-of-art的表现。其高的计算速度的主要贡献者是由利用多个专业的自动编码器实现的上下文感知方案实现的深度特征压缩;其中上下文指的是根据表现出的模式来追踪目标的粗略类别。在预训练阶段,作者使用每个类别来训练一个专家自动编码器。而在追踪阶段,根据追踪目标来选取最好的专家自动编码器,且只使用该编码器。为了使用被压缩的特征图来获得好的追踪表现,作者引入了外部去噪处理和新的正交损失,用于专业自动编码器的预训练和微调。
2、CLIP-Q: Deep Network Compression Learning by In-Parallel Pruning-Quantization
深度神经网络在图像识别和目标检测等视觉识别任务上方面已经达到了state-of-art的程度。但是,现代神经网络包含了数以百万计的学习参数。因此,一个对计算资源更有效利用的方法能够有主义各种部署方案:从资源受到限制的嵌入式平台,到运行网络集合的计算集群。本文将网络修剪和权重量化结合在一个学习框架中,它能够同时执行修剪和量化,且并行进行微调。这允许我们利用修剪和量化的互补性质,从而从过早的修剪误差中恢复,这是目前的两阶段法所做不到的。
3、Wide Compre