通过空间感知信息冗余进行语义分割的结构化剪枝
计算机视觉与模式识别
2024-12-18 v1
摘要
近年来，语义分割在各种应用中蓬勃发展。然而，高昂的计算成本仍然是阻碍其进一步应用的重大挑战。用于结构化网络精简的滤波器剪枝方法为减少分割网络提供了一种直接有效的解决方案。尽管如此，我们认为大多数现有的剪枝方法最初是为图像分类而设计的，忽略了分割是一个对位置敏感的任务，这导致它们在应用于分割网络时性能次优。为了解决这个问题，本文提出了一种新方法，称为空间感知信息冗余滤波器剪枝（SIRFP），旨在减少通道间的特征冗余。首先，我们将剪枝过程表述为图论中的最大边权团问题（MEWCP），从而最小化剪枝后剩余特征之间的冗余。在此框架内，我们引入了基于特征图的空间感知冗余度量，赋予剪枝过程位置敏感性，以更好地适应分割网络的剪枝。此外，基于 MEWCP，我们提出了一种低计算复杂度的贪婪策略来解决这一 NP-hard 问题，使其在结构化剪枝中可行且高效。为了验证我们方法的有效性，我们在各种具有挑战性的数据集上进行了广泛的对比实验。结果表明 SIRFP 在语义分割任务中具有卓越的性能。
引用
@article{arxiv.2412.12672,
title = {Structural Pruning via Spatial-aware Information Redundancy for Semantic Segmentation},
author = {Dongyue Wu and Zilin Guo and Li Yu and Nong Sang and Changxin Gao},
journal= {arXiv preprint arXiv:2412.12672},
year = {2024}
}
备注
Accepted by AAAI 2025