层次时空通道聚类：用于医学图像分析的高效模型压缩
计算机视觉与模式识别
2026-04-28 v1 机器学习
摘要
卷积神经网络 (CNN) 由于其巨大的内存和计算需求，在资源受限的环境中部署变得越来越困难。虽然低秩压缩方法可以减轻这一负担，但大多数现有方法独立压缩空间和通道冗余，未能充分利用卷积特征图中局部结构。本文提出了一种针对 CNN 的层次时空通道低秩压缩框架，利用空间区域和通道激活之间的冗余。不同于常规方法在整个层上应用统一分解，本文方法首先将特征图划分为空间区域，然后根据每个区域内的共激活模式对通道进行分组，最后对每个 resulting 时空-通道簇应用秩自适应奇异值分解 (SVD)。本方法在基于 AlexNet 的脑肿瘤 MRI 分类模型上进行评估，并与全局 SVD 和 Tucker 分解在 和 压缩预算下进行比较。我们的 method 在两个基准方法中均取得优异性能：将 FLOPs 从 降至 （降低 ），实现 的推理加速，分类准确率从 提升至 。该方法还改进了宏观 -得分以及对如基底型脑肿瘤等困难类别的表现。超参数权衡分析表明，该框架提供帕累托最优配置，使能够控制压缩与预测性能之间的平衡。适度聚类结合自适应秩选择可获得优异结果。所有分类指标均报告了 Bootstrap 标准误。
引用
@article{arxiv.2604.23375,
title = {Hierarchical Spatio-Channel Clustering for Efficient Model Compression in Medical Image Analysis},
author = {Sisipho Hamlomo and Marcellin Atemkeng and Habte Tadesse Likassa and Blaise Ravelo and Thierry Bouwmans and Sébastien Lalléchère and Antoine Vacavant and Ding-Geng Chen},
journal= {arXiv preprint arXiv:2604.23375},
year = {2026}
}