| 一种基于在轨深度学习的压缩率确定方法 |
| |
| 引用本文： | 张舒啸,施琦,陈雯,余金培.一种基于在轨深度学习的压缩率确定方法[J].上海航天,2023,40(1):117-122. |
| |
| 作者姓名： | 张舒啸 施琦 陈雯 余金培 |
| |
| 作者单位： | 中国科学院 微小卫星创新研究院，上海 201203;上海科技大学 信息科学与技术学院，上海 201210;中国科学院大学，北京 100049;中国科学院 微小卫星创新研究院，上海 201203;中国科学院大学，北京 100049 |
| |
| 摘 要： | 如何对遥感图像中的重要目标进行精确的识别分类，是卫星遥感领域的一个难点和重要的研究方向。深度学习能较好解决识别分类的问题，但其学习模型有大量参数需要确定，会消耗大量计算和存储资源，不利于在轨实现。模型压缩是降低资源需求的有效方法，但会导致分类准确率降低。剪枝是模型压缩的主要方法之一，目前剪枝技术大多研究的是在降低计算量的情况下如何减少准确率损失，如何确定压缩率是有待研究的问题。本文提出了一种通过函数拟合准确率与压缩率关系的方法，可以据此确定相应的压缩率，并对不同的压缩方法进行比较。仿真结果表明:该方法的函数模型可以在不同场景下用较少的点拟合出准确率与压缩率关系曲线，且均方根误差最大为1.09，平均值为0.51，拟合效果较好，可据此针对不同的应用条件与需求确定相应的模型压缩率。
|
| 关 键 词： | 深度学习 模型压缩 网络剪枝 压缩率 曲线拟合 |
| 收稿时间： | 2021/5/18 0:00:00 |
| 修稿时间： | 2021/6/19 0:00:00 |
Method for Determining the Compression Rate of On-orbit Deep Learning |
| |
| ZHANG Shuxiao,SHI Qi,CHEN Wen,YU Jinpei.Method for Determining the Compression Rate of On-orbit Deep Learning[J].Aerospace Shanghai,2023,40(1):117-122. |
| |
| Authors: | ZHANG Shuxiao SHI Qi CHEN Wen YU Jinpei |
| |
| Abstract: | |
| |
| Keywords: | deep learning model compression network pruning compression rate curve fitting |
|
| 点击此处可从《上海航天》浏览原始摘要信息 |
| 点击此处可从《上海航天》下载免费的PDF全文 |
