論文の概要: Structural Pruning via Spatial-aware Information Redundancy for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2412.12672v1
• Date: Tue, 17 Dec 2024 08:41:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 13:58:44.819625
• Title: Structural Pruning via Spatial-aware Information Redundancy for Semantic Segmentation
• Title（参考訳）: セマンティックセグメンテーションのための空間認識情報冗長性による構造解析
• Authors: Dongyue Wu, Zilin Guo, Li Yu, Nong Sang, Changxin Gao,
• Abstract要約: 既存のプルーニング手法のほとんどは、もともと画像分類用に設計されたもので、セグメンテーションが位置感性タスクであるという事実を無視するものである、と我々は主張する。 本稿では,チャネル間の特徴冗長性を低減することを目的とした,空間認識型情報冗長性フィルタプルーニング(Spatial-Aware Information Redundancy Filter Pruning)を提案する。
• 参考スコア（独自算出の注目度）: 34.554924043562295
• License:
• Abstract: In recent years, semantic segmentation has flourished in various applications. However, the high computational cost remains a significant challenge that hinders its further adoption. The filter pruning method for structured network slimming offers a direct and effective solution for the reduction of segmentation networks. Nevertheless, we argue that most existing pruning methods, originally designed for image classification, overlook the fact that segmentation is a location-sensitive task, which consequently leads to their suboptimal performance when applied to segmentation networks. To address this issue, this paper proposes a novel approach, denoted as Spatial-aware Information Redundancy Filter Pruning~(SIRFP), which aims to reduce feature redundancy between channels. First, we formulate the pruning process as a maximum edge weight clique problem~(MEWCP) in graph theory, thereby minimizing the redundancy among the remaining features after pruning. Within this framework, we introduce a spatial-aware redundancy metric based on feature maps, thus endowing the pruning process with location sensitivity to better adapt to pruning segmentation networks. Additionally, based on the MEWCP, we propose a low computational complexity greedy strategy to solve this NP-hard problem, making it feasible and efficient for structured pruning. To validate the effectiveness of our method, we conducted extensive comparative experiments on various challenging datasets. The results demonstrate the superior performance of SIRFP for semantic segmentation tasks.
• Abstract（参考訳）: 近年、セマンティックセグメンテーションは様々な用途で盛んに行われている。 しかし、高い計算コストは、そのさらなる採用を妨げる重要な課題である。 構造化ネットワークスリム化のためのフィルタプルーニング法は,セグメント化ネットワークの低減のための直接的かつ効果的な解法を提供する。 しかし,既存のプルーニング手法の多くは,画像分類用に設計されたものであり,セグメンテーションが位置感性タスクであるという事実を軽視しているため,セグメンテーションネットワークに適用した場合,その準最適性能が期待できる。 本稿では,チャネル間の特徴冗長性を低減することを目的とした,空間認識型情報冗長フィルタ(SIRFP)の新たな手法を提案する。 まず, グラフ理論において, プルーニング過程を最大エッジウェイト傾斜問題~(MEWCP)として定式化し, プルーニング後の残りの特徴間の冗長性を最小化する。 本フレームワークでは,特徴マップに基づく空間認識冗長度測定手法を導入し,プルーニング処理を位置感度で実現し,プルーニングセグメンテーションネットワークへの適応性を向上する。 さらに,MEWCPに基づいて,このNP-hard問題を解くための計算複雑性の低い欲求戦略を提案し,構造化プルーニングの実現と効率化を実現した。 提案手法の有効性を検証するため,様々な挑戦的データセットについて広範囲に比較実験を行った。 その結果,意味的セグメンテーションタスクにおけるSIRFPの優れた性能が示された。

関連論文リスト

• SGLP: A Similarity Guided Fast Layer Partition Pruning for Compressing Large Deep Models [19.479746878680707]
  レイヤプルーニングは、ネットワークサイズを削減し、計算効率を向上させるための強力なアプローチである。 大規模深層モデル圧縮のための類似性誘導高速層分割プルーニングを提案する。 本手法は精度と計算効率の両面で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-10-14T04:01:08Z)
• A Multi-objective Complex Network Pruning Framework Based on Divide-and-conquer and Global Performance Impairment Ranking [40.59001171151929]
  本稿では,多目的複合ネットワークプルーニングフレームワークを提案する。 提案アルゴリズムは,最先端プルーニング手法と同等の性能を実現する。
  論文  参考訳（メタデータ） (2023-03-28T12:05:15Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Cascaded Sparse Feature Propagation Network for Interactive Segmentation [18.584007891618096]
  ユーザが提供する情報をラベルなし領域に伝播するためのクリック拡張特徴表現を学習するカスケードスパース特徴伝達ネットワークを提案する。 提案手法の有効性を,様々なベンチマークによる総合的な実験により検証し,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2022-03-10T03:47:24Z)
• CATRO: Channel Pruning via Class-Aware Trace Ratio Optimization [61.71504948770445]
  本稿では,CATRO (Class-Aware Trace Ratio Optimization) を用いた新しいチャネルプルーニング手法を提案する。 CATROは、他の最先端チャネルプルーニングアルゴリズムと同等の精度で、同様のコストまたは低コストで高い精度を達成できることを示す。 CATROは、クラス認識の特性のため、様々な分類サブタスクに適応的に効率の良いネットワークを創り出すのに適している。
  論文  参考訳（メタデータ） (2021-10-21T06:26:31Z)
• Manifold Regularized Dynamic Network Pruning [102.24146031250034]
  本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。 提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-10T03:59:03Z)
• MTP: Multi-Task Pruning for Efficient Semantic Segmentation Networks [32.84644563020912]
  セマンティックセグメンテーションネットワークのためのマルチタスクチャネルプルーニング手法を提案する。 各畳み込みフィルタの重要性は、任意の層のチャネルを分類と分割タスクによって同時に決定する。 いくつかのベンチマークによる実験結果は、最先端の刈り取り法よりも提案アルゴリズムの方が優れていることを示している。
  論文  参考訳（メタデータ） (2020-07-16T15:03:01Z)
• Discretization-Aware Architecture Search [81.35557425784026]
  本稿では,離散化対応アーキテクチャサーチ(DAtextsuperscript2S)を提案する。 中心となる考え方は、超ネットワークを所望のトポロジの構成に向けることであり、離散化による精度損失がほとんど軽減される。 標準画像分類ベンチマークの実験は、我々のアプローチの優位性を実証している。
  論文  参考訳（メタデータ） (2020-07-07T01:18:58Z)
• Boundary-assisted Region Proposal Networks for Nucleus Segmentation [89.69059532088129]
  大量の核が混在しているため、機械学習モデルはうまく機能しない。 我々は、堅牢なインスタンスレベルの核分割を実現する境界支援領域提案ネットワーク(BRP-Net)を考案する。
  論文  参考訳（メタデータ） (2020-06-04T08:26:38Z)
• Fitting the Search Space of Weight-sharing NAS with Graph Convolutional Networks [100.14670789581811]
  サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。 この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
  論文  参考訳（メタデータ） (2020-04-17T19:12:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。