结构化剪枝CNN

推理提速四倍

一种结构化剪枝框架，融合一阶与二阶泰勒展开的通道重要性评估，通过多尺度特征重建在保持精度的同时显著压缩模型。

Lian, Suyun · 赵杨 · Jiajian, Cai · Liao, Muxin · Poslad, Stefan J. · 裴继红

Engineering Applications of Artificial Intelligence 2026

参数信息

推理加速

4 ×

VGG-16 浮点运算量

15.5 billion

技术优势

压缩后无需大量重训练

通过分层多尺度特征重建替代传统的“剪枝-重训练”范式，在保持表示能力的同时避免昂贵的重训练。

压缩后精度不降

该框架在多种架构和数据集上实现了最先进的模型压缩率，同时保持有竞争力的精度，优于现有结构化剪枝算法。

应用场景

• 边缘端CNN部署：压缩后的 CNN 推理加速 4 倍，可直接部署在资源受限的边缘设备上。
• 医学影像实时分析：在保持精度的同时加速推理，满足医学影像实时分析的低延迟要求。
• 自动驾驶视觉：为自动驾驶视觉任务提供轻量级 CNN，减少车载算力消耗并加快响应。
• 具身智能感知：压缩后的模型可实现 4 倍推理加速，适配具身智能对实时感知的计算限制。