基于图中心性的滤波器剪枝压缩音频 CNN
声音
2023-05-08 v1 人工智能
音频与语音处理
信号处理
摘要
卷积神经网络（CNN）在许多现实问题的优异解决方案中十分常见，例如音频分类。CNN 具有许多参数和滤波器，其中一些对性能的影响大于其他。这意味着网络中可能包含许多不必要的滤波器，在带来有限性能增益的同时增加了 CNN 的计算与内存需求。为使 CNN 更高效，我们提出了一种剪枝框架，消除具有最高“共性”的滤波器。我们使用图论中的“中心性”概念来度量该共性。我们假设，具有高中心性的滤波器应被消除，因为它代表共性且可被其他滤波器替代而不显著影响网络性能。所提框架在声学场景分类与音频标注上进行了实验评估。在 DCASE 2021 Task 1A 基线网络上，与原始网络相比，我们提出的方法在准确率下降不到两个百分点的前提下，将每次推理的计算量减少了 71%，参数减少了 50%。对于为音频标注设计的大规模 CNN（如 PANNs），我们的方法将每次推理的计算量减少 24%、参数减少 41%，且性能略有提升。
引用
@article{arxiv.2305.03391,
title = {Compressing audio CNNs with graph centrality based filter pruning},
author = {James A King and Arshdeep Singh and Mark D. Plumbley},
journal= {arXiv preprint arXiv:2305.03391},
year = {2023}
}