随着深度学习技术的发展,自然语言处理、计算机视觉等工作都取得了突破性的进展,作为计算机视觉领域的一个重要研究方向,模型压缩任务也受到了广泛的关注。当前模型压缩算法虽然取得了一些成果,但是仍然存在很多问题。例如,多数算法需要准备一个预训练模型,然后再选取一种卷积核重要性衡量标准,将低于该标准的卷积核直接剪去,之后再进行Fine-tune训练恢复模型的准确率。这样的方法对于预训练模型的要求较高,并且在剪枝之后模型的容量会大幅的减少,影响到压缩模型的准确率。这类算法在比较简单的任务上可以达到较好的结果,但是任务稍复杂时,准确率和压缩比率会大幅下降。针对上述问题,论文提出了一种新型边训练边剪枝的模型压缩算法,能够在保证原有模型的准确率基本不降低的同时获得较高压缩比率。与传统剪枝方法相比,该算法有三个特点:一是通过对剪枝方式的修改,模型压缩不需要预训练模型和Fine-tune训练操作,提高了效率;二是将训练模型和剪枝操作结合起来,用“剪枝”约束的方法对模型的训练过程进行约束,可以从头训练出一个压缩好的模型;三是在最终剪枝操作之前,所有的卷积核都保持正常更新,模型的容量并不会减少,因此可以最大程度的保持原算法模型的准确率,同时可以提高模型压缩的比率。论文所提出的压缩算法面向图像分类和单阶段目标检测任务进行了测试,在多个基准数据集(包括CIFAR-10,ILSVRC-2012,PASCAL VOC和Microsoft COCO)上的实验结果表明,该算法取得了当前领先的效果,能够更有效的压缩卷积网络模型。