本文是对《Quantization Mimic: Towards Very Tiny CNN for Object Detection》论文的总结，探讨了针对目标检测的量化和模仿两种优化方法。论文提出通过量化教师网络的激活输出并训练学生网络，实现对网络结构和速度的优化。实验结果显示，这种方法在保持检测性能的同时，显著提高了运行速度和减少了模型大小。
前言：
{
此文为论文《Quantization Mimic: Towards Very Tiny CNN for Object Detection》的阅读总结。
此论文的主题是速度和结构的优化，而不是提高准确率；综合了两种方式：Quantization（量化）和Mimic（模仿）。
论文地址：https://arxiv.org/pdf/1805.02152.pdf
}
正文：
{
首先在第一节，论文介绍了目前4种优化方法：quantization，channel-wise（暂且叫它“逐通道”，MobileNet就用了这种方法），pruning（修剪或剪枝）和mimic。
quantization和mimic有各自的缺点：quantization是面向像FPGA这种专门的设备（没有某些运算器或某些运算特别慢）；mimic对网络结构也有要求——结构过于精简会导致表示能力（representation capacity
最低0.47元/天 解锁文章
7229
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
