【CVPR 2021】剪枝篇(二):Convolutional Neural Network Pruning with Structural Redundancy Reduction
论文地址:
https://arxiv.org/abs/2104.03438
主要问题:
现有的模型剪枝工作通常集中于删除网络中最不重要的卷积核,以实现紧凑的网络结构
在这项研究中作者声称结构冗余比寻找不重要的卷积核起更重要的作用
主要思路:
作者首先从冗余减少的角度对模型剪枝问题进行统计建模,发现结构冗余最多的层中的剪枝优于在所有层中修剪最不重要的卷积核
通过这一发现,我们提出了一种基于结构冗余减小(SSR)的层自适应通道剪枝方法,通过为CNN的每个卷积层建立一个图,并使用与图相关的两个量(即 ℓ − ℓ- ℓ−覆盖数和商空间大小)作为每一层冗余的测量