压缩技术与CNN鲁棒性

本文探讨了一个关键的实际问题：对于资源受限的设备至关重要的模型压缩，对CNN在真实世界中的损坏下的鲁棒性的影响。 研究重点关注量化、剪枝和权重聚类，并结合多目标评估，为部署计算机视觉系统的从业者提供了宝贵的见解。 使用CIFAR-10-C和CIFAR-100-C数据集进行评估增加了论文的实用相关性。

• •模型压缩对于在资源受限的设备上部署CNN至关重要。
• •压缩技术（量化、剪枝、聚类）会影响在自然损坏下的鲁棒性。
• •一些压缩策略可以提高鲁棒性。
• •多目标评估有助于确定最佳压缩配置。
• •该研究为选择用于鲁棒和高效部署的压缩方法提供了见解。