面向边缘部署的等变感知结构化剪枝：一种具有自适应微调的全面框架
计算机视觉与模式识别
2025-11-24 v1 机器学习
摘要
本文提出了一种新框架，将群等变卷积神经网络 (G-CNNs) 与等变感知结构化剪枝相结合，以产生用于资源受限环境的紧凑、保持变换不变性的模型。通过 C4 循环群实现旋转等变性，采用 e2cnn 库，既实现了在几何变换下的一致性能，又降低了计算开销。我们方法引入的结构化剪枝保留等变属性，通过分析 e2cnn 层结构并对全连接组件应用神经元级剪枝。为缓解精度下降，实现自适应微调，当精度下降超过 2%时自动触发，使用早期停止和学习率调度实现高效恢复。该框架包括动态 INT8 量化和一个综合管道，涵盖训练、知识蒸馏、结构化剪枝、微调和量化。我们在卫星图像 (EuroSAT) 和标准基准 (CIFAR-10、Rotated MNIST) 上进行评估，展示了在不同领域中的有效性。实验结果显示实现了 29.3% 的参数降低，同时显著恢复精度，表明等变网络的结构化剪枝在保持几何鲁棒性的同时实现了显著的压缩。我们的管道为优化等变模型提供了可复现的框架，弥合了群论网络设计与实际部署约束之间的鸿沟，尤其适用于卫星图像分析和几何视觉任务。
引用
@article{arxiv.2511.17242,
title = {Equivariant-Aware Structured Pruning for Efficient Edge Deployment: A Comprehensive Framework with Adaptive Fine-Tuning},
author = {Mohammed Alnemari},
journal= {arXiv preprint arXiv:2511.17242},
year = {2025}
}
备注
8 pages, 5 tables, 1 figure. Accepted at IEEE EdgeCom 2025 (11th IEEE International Conference on Edge Computing and Scalable Cloud)