结合通道分类贡献与特征缩放系数的网络剪枝方法

来源：计算机工程与应用杂志2025年第16期北京时间：

作者：徐飞, 张乐怡, 禹婷婷, 张瑞轩

单位：西安工业大学 计算机科学与工程学院，西安 710021

摘要：现有的通道剪枝方法大多采用单一的评判规则来筛选冗余通道，难以准确评估通道的重要性。一些剪枝方法尝试通过迭代或分层修剪并多次筛选通道来提升准确率，但却增加了剪枝的时间成本。针对以上问题，提出了一种改进的基于通道分类贡献和特征缩放系数的结构化剪枝方法。该方法通过对卷积神经网络模型进行L1、L2正则化相结合的稀疏正则化，得到参数较稀疏的深度卷积神经网络模型，并结合通道对分类任务的贡献度以及特征缩放系数两种因素对网络模型进行结构化剪枝，以更全面、准确的方式筛选网络中的冗余参数。在CIFAR-10数据集上，使用所提方法压缩的VGG-16网络模型在FLOPs减少76.6%的情况下，微调后的模型精度达到93.52%，比FLOPs减少65.6%的补偿感知剪枝（compensation-aware pruning，CaP）方法高出1.65个百分点。实验结果表明，该剪枝方法在大幅度压缩神经网络模型的同时，能够更有效地保持甚至提升模型的精度。

关键词：模型压缩,结构化剪枝,通道剪枝,卷积神经网络