面向 CNN 中特征保持电路的剪枝方法
计算机视觉与模式识别
2023-04-18 v2 机器学习
摘要
深度卷积神经网络是一类针对一系列计算机视觉问题的强大模型，但鉴于其庞大的规模，很难解释它们所实现的图像滤波过程。在这项工作中，我们引入了一种从深度 CNN 中提取“特征保持电路”的方法，利用了基于显著性的神经网络剪枝方法。这些电路是嵌入在网络中的模块化子函数，仅包含与目标特征相关的卷积核子集。我们比较了 3 种显著性准则在提取这些稀疏电路方面的效能。此外，我们展示了如何提取“子特征”电路，其保持某一特征对特定图像的响应，将该特征划分为更稀疏的滤波过程。我们还开发了一种用于可视化“电路图”的工具，以可解析的格式呈现电路所实现的整个图像滤波过程。
引用
@article{arxiv.2206.01627,
title = {Pruning for Feature-Preserving Circuits in CNNs},
author = {Chris Hamblin and Talia Konkle and George Alvarez},
journal= {arXiv preprint arXiv:2206.01627},
year = {2023}
}
备注
Under Review