Progressive Gradient Pruning for Classification, Detection and\n DomainAdaptation
Notice bibliographique
Résumé
Although deep neural networks (NNs) have achievedstate-of-the-art accuracy in\nmany visual recognition tasks,the growing computational complexity and energy\ncon-sumption of networks remains an issue, especially for ap-plications on\nplatforms with limited resources and requir-ing real-time processing. Filter\npruning techniques haverecently shown promising results for the compression\nandacceleration of convolutional NNs (CNNs). However, thesetechniques involve\nnumerous steps and complex optimisa-tions because some only prune after\ntraining CNNs, whileothers prune from scratch during training by\nintegratingsparsity constraints or modifying the loss function.In this paper we\npropose a new Progressive GradientPruning (PGP) technique for iterative filter\npruning dur-ing training. In contrast to previous progressive\npruningtechniques, it relies on a novel filter selection criterion thatmeasures\nthe change in filter weights, uses a new hard andsoft pruning strategy and\neffectively adapts momentum ten-sors during the backward propagation pass.\nExperimentalresults obtained after training various CNNs on image datafor\nclassification, object detection and domain adaptationbenchmarks indicate that\nthe PGP technique can achievea better trade-off between classification accuracy\nand net-work (time and memory) complexity than PSFP and otherstate-of-the-art\nfilter pruning techniques.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».