在过去的十年中，需要执行复杂机器学习模型的计算资源的移动机器人数量一直在增加。通常，这些机器人依靠在无线通信上访问的边缘基础架构来执行重型计算复杂任务。但是，边缘可能会变得不可用，因此，迫使机器人执行任务。这项工作着重于通过减少预训练的计算机视觉模型的复杂性和参数总数来执行机器人上的任务。这是通过使用模型压缩技术（例如修剪和知识蒸馏）来实现的。这些压缩技术具有强大的理论和实用基础，但是在文献中并未广泛探索它们的合并用法。因此，这项工作尤其着重于研究结合这两种压缩技术的影响。这项工作的结果表明，可以删除计算机视觉模型参数总数的90％，而不会大幅度降低该模型的准确性。
translated by 谷歌翻译