近年来,在研究深度学习已经成为流行在许多行业由于其适用性。例如,深度学习可以应用在医疗保健、安全监测、租还车,人类活动识别,推荐系统,图像质量提高,交通工具,预测,预报,等等。在引入深度学习之前,预测和决策可以通过使用统计方法和机器学习。深入学习算法已经成功地解决复杂的实时问题。这是以前不可能的机器学习和计算机视觉方法。

深度学习也得到普及,因为它从训练数据自动提取重要特征,这些特征有助于作出相应的决定。然而,有挑战等深度学习问题的高计算能力和资源。此外,深度学习模型是计算广泛,要求高的存储空间。因此,深入学习模式并不适合边缘设备。用户不能够得到高在一个实时计算资源域从远程位置或在移动的情况下。因此,这些深度学习模型需要显著改善。例如,有一个需要深度学习模型,包括轻量级和更好的推理时间,使模型可以兼容资源受限的设备上。最近的研究表明显著改善压缩技术通过应用修剪,有损重编码,参数共享、多层修剪,低秩分解,等。压缩深度学习模型,存在两种方法:在培训和训练模型的压缩压缩。此外,各种技术可用于模型优化和压缩为资源受限的设备上。群优化,例如,遗传算法群体智慧,自然优化,博弈论的方法,化学反应优化和微分进化。

特刊的目的是将原始研究和评论文章讨论深度学习的压缩模式资源受限的设备上。我们欢迎提交的研究人员一直在研究深度学习模型的开发和部署在边缘设备(例如,覆盆子π,谷歌边缘张量处理单元(谷歌TPU),英伟达杰森纳米开发工具包,Android设备,等等)。这个特殊的问题邀请原始研究讨论创新体系结构和训练方法有效且高效压缩。

潜在的主题包括但不限于以下:

• 医疗应用程序模型优化和压缩
• 模型优化和压缩物联网应用程序(物联网)和优势
• 模型优化和压缩深度学习算法在安全分析应用程序
• 新架构模型压缩包括修剪、量化知识蒸馏、神经结构搜索(NAS)等。
• 概括轻量级架构的深度学习的问题
• 压缩方法强化学习
• 有效地利用计算资源执行深度学习模型
• 体系结构和模型,使用更少的训练数据在远程应用程序
• 压缩深度学习模型可辩解的人工智能
• 压缩和加速版本的著名pr-trained架构(例如,AlexNet, OxfordNet (VGG16)残余神经网络(ResNet),等等)。
• 对象检测模型的压缩和加速度等“你只看一次”(YOLO)意思模型,和单发检测器(SSD)
• 加快UNet和VNet架构
• 方法和深度学习发展中存储约束模型的框架