Buchumschlag

Less is More: The Influence of Pruning on the Explainability of CNNs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Merkle, Florian, Weber, David, Schöttle, Pascal, Schlögl, Stephan, Nocker, Martin
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Pruning By Explaining Revisited: Optimizing Attribution Methods to Prune CNNs and Transformers
von: Hatefi, Sayed Mohammad Vakilzadeh, et al.
Veröffentlicht: (2024)

LIME: Less Is More for MLLM Evaluation
von: Zhu, King, et al.
Veröffentlicht: (2024)

Multi-Head Explainer: A General Framework to Improve Explainability in CNNs and Transformers
von: Sun, Bohang, et al.
Veröffentlicht: (2025)

Investigating Calibration and Corruption Robustness of Post-hoc Pruned Perception CNNs: An Image Classification Benchmark Study
von: Mitra, Pallavi, et al.
Veröffentlicht: (2024)

Less is More: Label-Guided Summarization of Procedural and Instructional Videos
von: Rajpal, Shreya, et al.
Veröffentlicht: (2026)

Efficient CNNs via Passive Filter Pruning
von: Singh, Arshdeep, et al.
Veröffentlicht: (2023)

Evaluating the Stability of Semantic Concept Representations in CNNs for Robust Explainability
von: Mikriukov, Georgii, et al.
Veröffentlicht: (2023)

Select Less, Reason More: Prioritizing Evidence Purity for Video Reasoning
von: Li, Xuchen, et al.
Veröffentlicht: (2025)

Data Pruning Can Do More: A Comprehensive Data Pruning Approach for Object Re-identification
von: Yang, Zi, et al.
Veröffentlicht: (2024)

More Thought, Less Accuracy? On the Dual Nature of Reasoning in Vision-Language Models
von: Tian, Xinyu, et al.
Veröffentlicht: (2025)

Look Less, Reason More: Rollout-Guided Adaptive Pixel-Space Reasoning
von: Li, Xuchen, et al.
Veröffentlicht: (2025)

Less is More: A Closer Look at Semantic-based Few-Shot Learning
von: Zhou, Chunpeng, et al.
Veröffentlicht: (2024)

Walk and Read Less: Improving the Efficiency of Vision-and-Language Navigation via Tuning-Free Multimodal Token Pruning
von: Qin, Wenda, et al.
Veröffentlicht: (2025)

Automated Image Captioning with CNNs and Transformers
von: Cahyono, Joshua Adrian, et al.
Veröffentlicht: (2024)

Less is More: Lean yet Powerful Vision-Language Model for Autonomous Driving
von: Yang, Sheng, et al.
Veröffentlicht: (2025)

More Thinking, Less Seeing? Assessing Amplified Hallucination in Multimodal Reasoning Models
von: Liu, Chengzhi, et al.
Veröffentlicht: (2025)

Sense Less, Generate More: Pre-training LiDAR Perception with Masked Autoencoders for Ultra-Efficient 3D Sensing
von: Tayebati, Sina, et al.
Veröffentlicht: (2024)

Integrative CAM: Adaptive Layer Fusion for Comprehensive Interpretation of CNNs
von: Singh, Aniket K., et al.
Veröffentlicht: (2024)

Enhancing CNNs robustness to occlusions with bioinspired filters for border completion
von: Coutinho, Catarina P., et al.
Veröffentlicht: (2025)

More Text, Less Point: Towards 3D Data-Efficient Point-Language Understanding
von: Tang, Yuan, et al.
Veröffentlicht: (2024)

Reliable or Deceptive? Investigating Gated Features for Smooth Visual Explanations in CNNs
von: Mitra, Soham, et al.
Veröffentlicht: (2024)

Evaluating the Impact of Compression Techniques on the Robustness of CNNs under Natural Corruptions
von: Da Silva, Itallo Patrick Castro Alves, et al.
Veröffentlicht: (2025)

MM-LIMA: Less Is More for Alignment in Multi-Modal Datasets
von: Wei, Lai, et al.
Veröffentlicht: (2023)

Towards Optimal Trade-offs in Knowledge Distillation for CNNs and Vision Transformers at the Edge
von: Violos, John, et al.
Veröffentlicht: (2024)

Promoting Shape Bias in CNNs: Frequency-Based and Contrastive Regularization for Corruption Robustness
von: Ranabhat, Robin Narsingh, et al.
Veröffentlicht: (2025)

From Lightweight CNNs to SpikeNets: Benchmarking Accuracy-Energy Tradeoffs with Pruned Spiking SqueezeNet
von: Kabir, Radib Bin, et al.
Veröffentlicht: (2026)

Vehicle Classification under Extreme Imbalance: A Comparative Study of Ensemble Learning and CNNs
von: Syarubany, Abu Hanif Muhammad
Veröffentlicht: (2025)

The Effective Depth Paradox: Evaluating the Relationship between Architectural Topology and Trainability in Deep CNNs
von: Fischer, Manfred M., et al.
Veröffentlicht: (2026)

Top-GAP: Integrating Size Priors in CNNs for more Interpretability, Robustness, and Bias Mitigation
von: Nieradzik, Lars, et al.
Veröffentlicht: (2024)

Advancing Green AI: Efficient and Accurate Lightweight CNNs for Rice Leaf Disease Identification
von: Saddami, Khairun, et al.
Veröffentlicht: (2024)

When CNNs Outperform Transformers and Mambas: Revisiting Deep Architectures for Dental Caries Segmentation
von: Ghimire, Aashish, et al.
Veröffentlicht: (2025)

Do Transformers Understand Ancient Roman Coin Motifs Better than CNNs?
von: Reid, David, et al.
Veröffentlicht: (2026)

When Less Is More: Simplicity Beats Complexity for Physics-Constrained InSAR Phase Unwrapping
von: Singh, Prabhjot, et al.
Veröffentlicht: (2026)

Efficient Hyperparameter Importance Assessment for CNNs
von: Wang, Ruinan, et al.
Veröffentlicht: (2024)

General vs Domain-Specific CNNs: Understanding Pretraining Effects on Brain MRI Tumor Classification
von: Abedini, Helia, et al.
Veröffentlicht: (2025)

EgoPrune: Efficient Token Pruning for Egomotion Video Reasoning in Embodied Agent
von: Li, Jiaao, et al.
Veröffentlicht: (2025)

TransPrune: Token Transition Pruning for Efficient Large Vision-Language Model
von: Li, Ao, et al.
Veröffentlicht: (2025)

IWP: Token Pruning as Implicit Weight Pruning in Large Vision Language Models
von: Lee, Dong-Jae, et al.
Veröffentlicht: (2026)

Is Less More? Exploring Token Condensation as Training-free Test-time Adaptation
von: Wang, Zixin, et al.
Veröffentlicht: (2024)

Less is More: Empowering GUI Agent with Context-Aware Simplification
von: Chen, Gongwei, et al.
Veröffentlicht: (2025)