树突层约束剪枝网络

精简而强泛化

该方法在训练后重新分配树突层重要性，移除低贡献层，从而在多个标准数据集上以更小的网络规模取得更好的泛化性能。

Xudong, Luo · Wen, Xiaohao · Yan, Li · Quanfu, Li

CAAI Transactions on Intelligence Technology 2023

参数信息

数据集个数

6

技术优势

模型变小

剪除低重要性树突层后，网络参数减少，存储和计算开销降低。

泛化更强

通过重要性重分配保留关键信息传递路径，在多个数据集上取得更高的分类精度。

应用场景

• 轻量化神经网络：直接剪除冗余树突层，得到更轻量的模型结构。
• 边缘端模型部署：压缩后的模型参数更少，适合部署到资源受限的边缘设备。
• 模型压缩与加速：通过剪枝降低网络复杂度，减少推理计算量，加快运行速度。