.png){kind=icon}
返回
REPrune: Channel Pruning via Kernel Representative Selection
.png){kind=icon}
OA
AI
DOI：10.1609/aaai.v38i13.29370.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通道剪枝被广泛认可为加速现代卷积神经网络（CNN）的有效方法。剪枝后的模型可以直接部署在通用软件和硬件资源上。然而，其较大的剪枝粒度，特别是在卷积滤波器级别，往往因难以灵活决定如何及在何处引入稀疏性而导致不期望的精度下降。本文提出REPrune，一种新型通道剪枝技术，通过模拟核剪枝，充分利用更精细但结构化的粒度。REPrune使用凝聚层次聚类识别每个通道内的相似核，然后选择能最大化核代表融入并优化最大簇覆盖问题的滤波器。通过与训练-剪枝并行范式集成，REPrune在训练CNN过程中促进高效、渐进式的剪枝，避免了传统的训练-剪枝-微调序列。实验结果表明，REPrune在计算机视觉任务中优于现有方法，有效实现了加速比与性能保留之间的平衡。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息