研究人员开发了EdgeCompress，一个旨在显著降低卷积神经网络（CNN）计算需求的新型框架，以部署在资源受限的边缘设备上。该系统采用动态图像裁剪来聚焦推理于信息量丰富的前景对象，并采用复合收缩技术协同压缩网络深度、宽度和分辨率。此外，EdgeCompress还包含一种动态推理方法，根据输入图像的难度从不同复杂度的模型级联中进行选择，进一步优化效率。实验表明，EdgeCompress可以将ResNet-50的计算量减少近50%，同时提高准确性，优于现有的最先进压缩方法。 AI
影响 使得在边缘设备上部署先进的CNN成为可能，有望在资源有限的环境中扩展AI能力。
排序理由 该集群包含一篇详细介绍新模型压缩方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.06982v1 Announce Type: cross Abstract: Convolutional neural networks (CNNs) have demonstrated encouraging results in image classification tasks. However, the prohibitive computational cost of CNNs hinders the deployment of CNNs onto resource-constrained embedded device…
Convolutional neural networks (CNNs) have demonstrated encouraging results in image classification tasks. However, the prohibitive computational cost of CNNs hinders the deployment of CNNs onto resource-constrained embedded devices. To address this issue, we propose EdgeCompress,…