FCOS：面向自动调制识别的两阶段可恢复模型剪枝框架
机器学习
2025-05-29 v1 人工智能
摘要
随着无线通信的快速发展和数字调制方案的日益复杂，传统的人工调制识别方法难以提取可靠的信号特征并满足现代场景的实时性要求。最近，基于深度学习的自动调制识别（AMR）方法极大地提高了分类准确率。然而，其庞大的模型尺寸和极高的计算需求阻碍了在资源受限设备上的部署。模型剪枝提供了一种降低模型复杂度的通用方法，但现有的权重、通道和层剪枝技术在压缩率、硬件加速和精度保持之间各有权衡。为此，本文引入了 FCOS，一种新颖的细粒度到粗粒度两阶段剪枝框架，该框架结合了通道级剪枝与层级坍塌诊断，以实现极致的压缩、高性能和高效推理。在 FCOS 的第一阶段，应用层次聚类和参数融合于通道权重以实现通道级剪枝。随后，层级坍塌诊断模块使用线性探测来识别层级坍塌，并移除由于高通道压缩率而坍塌的层。在多个 AMR 基准上的实验表明，FCOS 优于现有的通道和层剪枝方法。具体而言，FCOS 实现了 95.51% 的 FLOPs 减少和 95.31% 的参数减少，同时仍保持接近原始 ResNet56 的性能，在 Sig2019-12 上准确率仅下降 0.46%。代码可在 https://github.com/yaolu-zjut/FCOS 获取。
引用
@article{arxiv.2505.21571,
title = {FCOS: A Two-Stage Recoverable Model Pruning Framework for Automatic Modulation Recognition},
author = {Yao Lu and Tengfei Ma and Zeyu Wang and Zhuangzhi Chen and Dongwei Xu and Yun Lin and Qi Xuan and Guan Gui},
journal= {arXiv preprint arXiv:2505.21571},
year = {2025}
}