基于可解释性的深度神经网络分层剪枝：为高效目标检测所设计
计算机视觉与模式识别
2026-02-17 v1
摘要
深度神经网络 (DNN) 在目标检测任务中取得了显著成功，但其日益增长的复杂度对在资源受限平台上的部署构成重大挑战。虽然剪枝等模型压缩技术已成为essential工具，但传统的基于幅值的剪枝方法并不一定与网络组件对任务特定性能的真实功能贡献相吻合。本文提出一种基于可解释性的、针对高效目标检测的分层剪枝框架。我们的 метод利用基于 SHAP 的梯度-激活归因来估计层级重要性，提供数据驱动的功能贡献代理，而非仅依赖静态权重幅值。我们在包括 ResNet-50、MobileNetV2、ShuffleNetV2、Faster R-CNN、RetinaNet 和 YOLOv8 在内的多种目标检测架构上进行了全面实验，评估性能指标使用 Microsoft COCO 2017 验证集。结果表明，所提方法持续识别不同于 L1 范数方法的层级为最不重要者，导致在准确率和效率之间实现更佳的权衡。特别地，对于 ShuffleNetV2，我们的方法实现了 10% 的推理速度提升，而 L1 剪枝会使性能下降 13.7%。对于 RetinaNet，所提方法在推理速度几乎不受影响的情况下保持基线 mAP (0.151)，而 L1 剪枝则因 1.3% mAP 下降和 6.2% 速度提升。这些发现凸显了数据驱动层级重要性评估的重要性，表明可解释性驱动的压缩为在边缘和资源受限平台上部署深度神经网络提供了原则化的方向，同时保持性能和可解释性。
引用
@article{arxiv.2602.14040,
title = {Explainability-Inspired Layer-Wise Pruning of Deep Neural Networks for Efficient Object Detection},
author = {Abhinav Shukla and Nachiket Tapas},
journal= {arXiv preprint arXiv:2602.14040},
year = {2026}
}