Con el desarrollo de las Redes Neuronales Convolucionales (CNNs), hay una creciente necesidad de desplegarlas en dispositivos edge. Al mismo tiempo, la tecnología Compute-In-Memory (CIM) ha ganado una atención significativa en aplicaciones de CNN edge debido a su capacidad para minimizar el movimiento de datos entre la memoria y las unidades de cálculo. Sin embargo, el despliegue de modelos complejos de redes neuronales profundas en dispositivos edge con recursos de hardware limitados sigue siendo desafiado por la falta de almacenamiento adecuado para los datos de capas intermedias. En este artículo, proponemos un algoritmo optimizado de Compresión sin Pérdida JPEG (JPEG-LS) que implementa la actualización de parámetros de contexto en serie junto con la codificación paralela. Este método está diseñado para la predicción global y la compresión eficiente de capas de datos intermedias en redes neuronales que emplean técnicas CIM. Los resultados indican ratios de compresión promedio de 6.44x para VGG16, 3.62x para ResNet34, 1.67x para MobileNetV2 y 2.31x para InceptionV3. Además, la implementación logra un rendimiento de datos de 32 bits por ciclo a 600 MHz en el TSMC 28 nm, con un costo de hardware de 122 K Gate Count.