.png){kind=icon}
返回
Improve accuracy in CNNs while using approximate computing methods
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-024-06901-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工神经网络在过去几十年中一直是科学领域最具影响力和最重要的分支之一。神经网络已在包括医疗和制药服务、语音和语音识别、计算机视觉、自然语言处理以及视频和图像处理在内的多个领域得到应用。神经网络具有多层结构且能耗较高。近似计算是一种有前景的方法，可用于降低那些能够容忍一定精度下降的应用中的能耗。本文提出了一种有效的方法，用于在使用近似计算方法后防止卷积神经网络（CNNs）的精度下降。该方法利用k-means聚类算法对第一卷积层的像素进行标记。随后，通过使用现有的剪枝方法之一，对全部层应用不同的剪枝量。在三个CNNs和四个不同数据集上的实验结果表明，与基准网络相比，所提出方法的精度显著提高了（提高了17%）。
Keyword:
Approximate computing
Computer vision
Convolutional neural network
Energy consumption
Machine learning
Neural network
期刊
IF:
2.7
论文数:
1.1K
被引数:
1.0W
机构
暂无机构信息
引用论文
Complex hybrid weighted pruning method for accelerating convolutional neural networks.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏分享收藏Approximate Computing: A Survey of Recent Trends—Bringing Greenness to Computing and Communication
PREAI
分享收藏HScore: A Target Attention-based Filter Pruning with Visualizing the Area of Feature MapHScore：一种基于目标注意力特征图区域的滤波器剪枝可视化方法OAAI
OAAI分享收藏
查看更多内容