评估压缩技术对卷积神经网络在自然污染下鲁棒性的影响

于红博

摘要: 压缩深度学习模型对于在资源受限的设备上部署计算机视觉系统至关重要。然而，模型压缩可能影响鲁棒性，特别是在自然损坏情况下。因此，在验证计算机视觉系统时考虑鲁棒性评估是非常重要的。本文介绍了对卷积神经网络（ResNet-50、VGG-19和MobileNetV2）应用单独和组合的压缩技术-量化、剪枝和权重聚类进行全面评估。利用CIFAR-10-C和CIFAR 100-C数据集，我们分析了鲁棒性、准确性和压缩比之间的权衡。我们的结果表明，某些压缩策略不仅保持而且还可以提高鲁棒性，特别是在具有更复杂架构的网络上。利用多目标评估，我们确定了最佳配置，显示定制技术组合产生有益的多目标结果。这项研究为在受损真实环境中选择压缩方法以实现模型鲁棒和高效部署提供了见解。

更新时间: 2025-12-31 17:00:01

领域: cs.CV,cs.AI

下载: http://arxiv.org/abs/2512.24971v1