严 晶 任明武

（南京理工大学计算机科学与工程学院 南京 210000）

1 引言

目前，随着人们生活和科学技术的不断发展，智能手机已经普惠大众。当下的智能手机更是搭载了高分辨率相机，利用智能手机的高分辨率相机拍摄人民币特征区域甚至可以看到人眼都无法看清的人民币纹理细节。且随着支付宝、微信等第三方支付工具的兴起，人们可能不具备人民币鉴伪的能力，则有可能受到欺骗。

在过去的几年中，深度神经网络已经取得了显著的发展，同时这些网络的计算复杂度和资源消耗也不断增加。例如，广泛使用的VGG16［8］网络模型在对单张224*224 大小的图像进行分类的时候，需要500M 以上的存储空间以及15B FLOPs。在实时应用程序或者资源受限的设备中，这些网络的部署产生了巨大的挑战。传统的解决方法是把模型的前向推理放在服务器上，然后通过网络将预测结果传回终端并上显。这种解决方式比较依赖网络，当终端处于无网或者网络延时等的情况下，将无法保证应用程序的实时性。近年来，在无人驾驶、智能手机等嵌入式和移动设备取得了迅速发展，在这些设备上部署CNN 模型的需求变得越来越强烈，这也推动了对计算效率高，模型体积小的CNN 的研究。人们主要从三个方面进行了研究探索［24］：1）在原有的模型基础上进行网络剪枝与压缩，比如进行网络剪枝［7，17］、量化［13］、低秩分解等，但非结构化的稀疏模型需要专门的软/硬件支持［17］；2）紧凑网络设计，比如MobileNet［12］，shuffleNet［2，9］，Xception［6］等；……