基于筛选方法探索视觉神经网络剪枝
机器学习
2026-05-01 v2 机器学习
摘要
现代深度神经网络（DNN）的卓越性能在很大程度上归功于其庞大的规模，参数数量从数十万到数亿甚至上百亿不等。然而，这种规模带来了巨大的存储和计算成本，阻碍了在能源效率和实时处理要求较高的边缘设备等平台上的部署。本文提出一种网络剪枝框架，通过统计分析分类类别中组件重要性，显著降低存储和计算需求，同时保持模型准确率。具体方法采用F统计量基于筛选技术结合加权评估方案，对连接和通道的贡献进行量化，实现结构化和非结构化剪枝的统一框架。在覆盖全连接神经网络（FNN）和卷积神经网络（CNN）的真实视觉数据集上进行大规模实验，证明所提框架产生的紧凑高效模型在与最先进方法的竞争中表现卓越。
引用
@article{arxiv.2502.07189,
title = {Exploring Vision Neural Network Pruning via Screening Methodology},
author = {Mingyuan Wang and Yangzi Guo and Sida Liu and Yuhang Liu},
journal= {arXiv preprint arXiv:2502.07189},
year = {2026}
}