学习图卷积网络的粗到细剪枝用于基于骨架的识别
计算机视觉与模式识别
2024-12-18 v1
摘要
幅度剪枝是一种主流的轻量级网络设计方法，旨在移除幅度最小的连接。这一过程要么以结构化方式实现，要么以非结构化方式实现。结构化剪枝能够达到高效率，而非结构化剪枝更灵活且能带来更好的精度，但这是以低计算性能为代价的。在本文中，我们设计了一种新颖的粗到细（CTF）方法，该方法汇集了结构化剪枝和非结构化剪枝的优点，同时在一定程度上摒弃了它们的缺点。我们的方法依赖于一种新颖的CTF参数化，它将每个连接的掩码建模为涉及四种参数化的Hadamard乘积，分别捕获通道级、列级、行级和元素级剪枝。因此，细粒度剪枝仅在粗粒度剪枝禁用时启用，这导致了高度高效的网络同时保持有效性。在基于骨架识别的挑战性任务上进行的广泛实验，使用标准的SBU和FPHA数据集，显示了我们的CTF方法相对于不同基线以及相关工作的明显优势。
引用
@article{arxiv.2412.12887,
title = {Learning Coarse-to-Fine Pruning of Graph Convolutional Networks for Skeleton-based Recognition},
author = {Hichem Sahbi},
journal= {arXiv preprint arXiv:2412.12887},
year = {2024}
}