메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Hyeon-Cheol Moon (Korea Electronics Technology Institute) Jae-Gon Kim (Korea Aerospace University)
저널정보
대한전자공학회 IEIE Transactions on Smart Processing & Computing IEIE Transactions on Smart Processing & Computing Vol.11 No.2
발행연도
2022.4
수록면
112 - 118 (7page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
Deep Convolutional Neural Networks (CNNs) have demonstrated excellent performance in various visual applications, but their deployment, especially in resource-constrained environments, is limited due to their enormous computational complexity and memory requirements. Therefore, compression of network models while still maintaining the task performance of the trained model is being studied. Recently, the Moving Picture Experts Group (MPEG) developed a standard called Neural Network compression and Representation (NNR) that provides a compressed representation of trained neural networks in an interoperable form. In this paper, we propose a local non-linear quantization (LNQ) method for compressing weight parameters of neural network models. The experimental results show that the proposed LNQ achieves about a 29% gain in compression efficiency with virtually no loss of performance in the tasks, compared to the NNR test model, called the Neural network Compression Test Model (NCTM) version 3.0.
#Neural network compression #NNR #NCTM #CNN #Non-linear quantization

목차

Abstract
1. Introduction
2. Overview of NCTM
3. Local Non-linear Quantization
4. Experimental Results
5. Conclusions
References

참고문헌 (17)

참고문헌 신청
S. Han et al., “Deep Compression: Compressing Deep Neural Net-works with pruning, trained quantization and Huffman coding,” In Proc. Int. Conf. Learning Represen. (ICLR), Feb. 2016. Article (CrossRef Link) google schola C. Aytekin, F. Cricri, T. Wang, E. Aksu, “Response to the Call for Proposals on Neural Network Compression: Training Highly Compressible Neural Networks,” ISO/IEC JTC1/SC29/WG11, m47379, Mar. 2019. Article (CrossRefLink) google schola S. Jung, C. Son, S. Lee, J. Han, Y. Kwak, and S. Hwang, “Learning to Quantize Deep Networks by Optimizing Quantization Intervals with Task Loss,” In Proc. Int. Conf. Comput. Vis. Pattern Recognit. (CVPR), Jun. 2019. Article (CrossRef Link) google schola S. Lin, R. Ji, C. Chen, D. Tao, and J. Luo, “Holistic CNN Compression via Low-Rank Decomposition with Knowledge Transfer,” IEEE Trans. Pattern Anal. Mach. Intell., Vol. 41. No. 12, Dec. 2019. Article (CrossRef Link) google schola B. Wailer, “DoC on ISO/IEC DIS 15938-17 Compression of Neural Networks for Multimedia Content Description and Analysis,” ISO/IEC JTC1/SC29/WG04, N00079, Apr. 2021. Article (CrossRef Link) google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

대조 학습 기반 자가증류를 이용한 단일 영상 초해상화 모델 경량화 기법
문현철 ,  김재곤 ,  정진우 외 1명 방송공학회논문지 2023 .11
지식 증류 기법 기반 경량 비디오 프레임 보간 네트워크
윤기환 ,  문현철 ,  김용한 외 2명 한국방송미디어공학회 학술발표대회 논문집 2023 .06
초해상도 모델 경량화를 위한 특징 영역에서의 대조 손실 기반 지식 증류 기법
문현철 ,  김명균 ,  정진우 외 1명 한국HCI학회 학술대회 2023 .02

최근 본 자료

전체보기

댓글(0)

0