English(EN) An accuracy-aware extension to LRP-based pruning for CNNs to prevent cascading accuracy degradation in data-scarce transfer learning

新的剪枝方法提高了数据稀疏迁移学习中CNN的准确性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-29 04:00

研究人员开发了一种基于层相关性传播（LRP）的卷积神经网络（CNN）剪枝方法的准确性感知扩展。这种新方法旨在防止级联准确性下降，这是在数据稀疏迁移学习场景中剪枝模型时的一个常见问题。通过使用类别准确性的调和平均数动态调整剪枝率和顺序，该技术有效地压缩了预训练模型，同时保留了特定任务的性能。 AI

影响这项研究为提高CNN在数据稀缺环境中的效率和准确性提供了一种新颖的方法，可能使专业领域的应用受益。

排序理由这是一篇详细介绍CNN新剪枝方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Daisuke Yasui, Toshitaka Matsuki, Hiroshi Sato · 2026-05-29 04:00

一种基于LRP的CNN剪枝的感知精度扩展，以防止数据稀疏迁移学习中的级联精度下降

arXiv:2511.10861v3 Announce Type: replace-cross Abstract: Convolutional Neural Networks (CNNs) pre-trained on large-scale datasets such as ImageNet are widely used as feature extractors to construct high-accuracy classification models from scarce data for specific tasks. In such …