返回
Automatic channel pruning by neural network based on improved poplar optimisation algorithm
DOI:10.1016/j.knosys.2025.113002.png)
摘要
En 中文
卷积神经网络(CNNs)被广泛应用于计算机视觉和自然语言处理等多个领域。然而,参数数量和内存需求的增加给其在边缘设备上的部署带来了挑战。研究表明,CNNs存在冗余参数,基于重要性剪枝方法的准则繁琐,且现有的自动剪枝算法难以有效捕获全局特征。为解决此类方法的不足,本文提出了一种基于改进的杨树优化算法(ACPPO)的自动通道剪枝方法。本研究旨在利用聚类和优化算法搜索最优网络结构。首先,采用基于密度的层次聚类对每个卷积层的通道进行相似性分组,从而形成初步的压缩结构。随后,利用改进的杨树优化算法(POA)通过迭代优化搜索确定最优紧凑网络结构。在POA的无性繁殖过程中,使用局部最优值替代原始随机历史信息以引导个体搜索方向,从而增强种群多样性并提高搜索效率和全局搜索能力。本文在两个常用图像分类数据集CIFAR-10和ILSVRC2012上验证了ACPPO的有效性。在CIFAR-10上,ACPPO将GoogLeNet网络的参数量减少69.37%,FLOPs减少75.33%,相比基准模型准确率提升0.13%。
Keyword:
Convolutional neural networks
Automatic channel pruning
HDBSCAN clustering
Poplar optimisation algorithm
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
暂无机构信息
引用论文
Efficient filter pruning: Reducing model complexity through redundancy graph decomposition
NEUROCOMPUTING
IF6.5

