.png){kind=icon}
返回
Resource-Efficient and Layer Interdependence-Aware CNN Pruning Leveraging Filter Replacement
.png){kind=icon}
PRE
AI
DOI：10.1109/tnnls.2026.3658318.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
卷积神经网络（CNN）剪枝传统上依赖启发式设计的重要性准则，往往导致泛化能力有限和性能不一致。在本文中，我们提出了一种以filter replacement（FR）为中心的新型框架，将剪枝引入为用零滤波器替换选定滤波器的过程。通过严格分析，我们推导出后续层输出绝对误差的上界，并使用该界定义了一个高效的重要性函数。该重要性函数表现出$\gamma $ -弱次模性质，使得能够开发一种简单、低复杂度且数据无关的盲目算法来选择要剪枝的滤波器。此外，我们将FR框架扩展以包括非零滤波器替代方案，利用最佳逼近技术构建被剪枝滤波器的最优替代。在基准网络和数据集上的广泛实验验证了我们的方法的有效性。所提出的方法实现了最先进的结果，其复杂度与$l_{2}$ -范数剪枝等基础技术相当。值得注意的是，我们的剪枝方法在ImageNet数据集上的ResNet-50中达到76.52%的准确率（ACC），超过了75.15%的基线，同时将网络参数减少了25.5%。我们提出的资源效率（RE）指标评估表明，层间依赖感知剪枝（LIAP）方法比现有技术高效$10^{11}$ 倍，为资源感知CNN剪枝设定了新标准。
Keyword:
Best approximation
convolutional neural networks (CNNs)
filter pruning
model compression methods
期刊
IF:
8.9
论文数:
7.6K
被引数:
7.2W
机构
引用论文
HRel: Filter pruning based on High Relevance between activation maps and class labels.png)
NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏RED++ : Data-Free Pruning of Deep Neural Networks via Input Splitting and Output MergingRED++：基于输入分割和输出合并的数据无关深度神经网络剪枝
OAAI
OAAI分享收藏分享收藏
查看更多内容