降低复杂度深度神经网络的性能评估
Shahrukh Agha1, Sajid Nazir2, Mohammad Kaleem1
1Department of Electrical and Computer Engineering, COMSATS University, Islamabad, Pakistan.
PloS one
|March 20, 2025
概括
这项研究简化了深度神经网络 (DNN) 用于在低功耗设备上进行医学图像分析. 一种新的通道缩小方法实现了显著的模型大小缩小,在疾病分类的性能损失最小.
科学领域:
- 计算机科学 计算机科学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 深度神经网络 (DNN) 在医学图像分类方面表现出色,但计算密集.
- 降低复杂性对于在低功耗边缘应用中部署DNN至关重要.
- 现有的方法往往涉及耗时的操作和性能权衡.
研究的目的:
- 为DNNs提出一个简化的模型复杂性降低技术.
- 为了证明ResNet-50集成在低功耗设备中的复杂性降低.
- 为了评估胸部X射线 (CXR) 图像的多类分类的性能.
主要方法:
- 一种新的通道缩小技术应用于DNN.
- 对于低功耗边缘设备的ResNet-50模型复杂性降低.
- 对CXR图像的多类分类 (正常,肺炎,COVID-19).
- 模型概括和Grad-CAM可视化用于可解释性.
- 理论VLSI架构设计以实现最佳性能.
主要成果:
- 实现了75%,87%和93%的连续减小.
- 最小的分类性能下降分别为0.5%,0.5%和0.8%.
- 证明了可接受的模型概括和可解释的可视化.
- 介绍了最佳性能模型的理论VLSI架构.
结论:
- 拟议的通道减少技术有效地减少了低功耗医疗成像应用的DNN复杂性.
- 可以实现显著的模型尺寸缩小,对分类性能的影响微不足道.
- 该方法为在疾病诊断的边缘设备上部署先进的AI模型提供了一种实用方法.
