檢索結果：共8筆資料 檢索策略： "模型壓縮".ckeyword (精準)
個人化服務 ：
排序：
每頁筆數：
已勾選0筆資料
1
隨著類神經網路技術的高度發展，為了符合更複雜且高準確度要求的使用情境，近年來被提出的類神經網路的模型體積愈來愈龐大，運算複雜度也不斷提升，而擁有良好辨識能力的網路模型往往伴隨著相當高的硬體需求。為了…
2
在以往輕量化的方法中，無論是輕量化模型架構的設計或是模型壓縮與加速的方法，大部分的設計方法都是以減少參數量為主要目的，然而有時候減少參數量並不一定能帶來加速的效果，有時候又是相輔相成的，且在減少參數…
3
近年來手機處理器的大幅進展讓在移動裝置上使用深度學習網路更加有機會，也因此產生了許多以深度學習生成對抗網路為名的修圖應用。但要運行大型的生成對抗網路需要運算量對多數移動裝置而言仍然過於巨大。本篇論文…
4
隨著深度學習的發展，為了因應人類不同種的需求及情境，網路架構被設計的越來越龐大且複雜。這些複雜的網路架構往往造成使用者必須消耗一定的運算資源、記憶體空間，而且不夠即時。為了解決這些缺點，模型壓縮技術…
5
類神經網絡模型的壓縮近年來受到了越來越多的關注。為了減緩卷積核冗餘的問題，這篇論文提出了新的卷積結構：共享核卷積和加權共享核卷積，後者在前者的基礎上增加了額外的共享權重來滿足不同輸入通道訊號間的差異…
6
對於卷積層，設置一個固定的剪枝率和/或指定閾值的濾波器剪枝方法已被廣泛用於減少卷積神經網絡（CNN）模型中所需的參數量。然而，它無法完全修剪不同層中量各異的冗餘濾波器。為了克服此缺點，我們提出了一種…
7
隨著市場上應用情境的需求不斷提升與改變，深度學習網路架構也逐漸變的複雜且龐大，準確度上升的同時造成了模型參數指數性成長，亦產生了模型效率不佳等更多延伸問題，各個領域的應用需要在準確度與易用性上做出取…
8
物聯網時代的來臨，數以萬計的聯網攝影裝置將會產生極大量的資料，使得透過邊緣運算來降低雲端運算瓶頸的需求逐漸增加。其中，隨著深度學習模型與辨識技術之精進，透過結合邊緣計算的大量攝影機（本研究稱為邊緣攝…