Buchumschlag

A Greedy Hierarchical Approach to Whole-Network Filter-Pruning in CNNs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Purohit, Kiran, Parvathgari, Anurag Reddy, Bhattacharya, Sourangshu
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

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

FGFP: A Fractional Gaussian Filter and Pruning for Deep Neural Networks Compression
von: Tu, Kuan-Ting, et al.
Veröffentlicht: (2025)

Effects of Gabor Filters on Classification Performance of CNNs Trained on a Limited Number of Conditions
von: Morita, Akito, et al.
Veröffentlicht: (2026)

DeBUGCN -- Detecting Backdoors in CNNs Using Graph Convolutional Networks
von: Vartak, Akash, et al.
Veröffentlicht: (2025)

On the universality of neural encodings in CNNs
von: Guth, Florentin, et al.
Veröffentlicht: (2024)

Understanding CNNs from excitations
von: Ying, Zijian, et al.
Veröffentlicht: (2022)

Data-independent Module-aware Pruning for Hierarchical Vision Transformers
von: He, Yang, et al.
Veröffentlicht: (2024)

PDE-CNNs: Axiomatic Derivations and Applications
von: Bellaard, Gijs, et al.
Veröffentlicht: (2024)

Post-hoc Self-explanation of CNNs
von: Boubekki, Ahcène, et al.
Veröffentlicht: (2026)

Is Complexity Required for Neural Network Pruning? A Case Study on Global Magnitude Pruning
von: Gupta, Manas, et al.
Veröffentlicht: (2022)

Growing Networks with Autonomous Pruning
von: De Lambilly, Charles, et al.
Veröffentlicht: (2026)

ICE-Pruning: An Iterative Cost-Efficient Pruning Pipeline for Deep Neural Networks
von: Hu, Wenhao, et al.
Veröffentlicht: (2025)

PruneFuse: Efficient Data Selection via Weight Pruning and Network Fusion
von: Kousar, Humaira, et al.
Veröffentlicht: (2026)

Shapley Pruning for Neural Network Compression
von: Adamczewski, Kamil, et al.
Veröffentlicht: (2024)

Reliable Evaluation of Attribution Maps in CNNs: A Perturbation-Based Approach
von: Nieradzik, Lars, et al.
Veröffentlicht: (2024)

Data-Free Dynamic Compression of CNNs for Tractable Efficiency
von: Meiner, Lukas, et al.
Veröffentlicht: (2023)

LiDAR-based Object Detection with Real-time Voice Specifications
von: Kulkarni, Anurag
Veröffentlicht: (2025)

Extending Dataset Pruning to Object Detection: A Variance-based Approach
von: Yagi, Ryota
Veröffentlicht: (2025)

Investigating the Effect of Network Pruning on Performance and Interpretability
von: von Rad, Jonathan, et al.
Veröffentlicht: (2024)

Hierarchical World Models as Visual Whole-Body Humanoid Controllers
von: Hansen, Nicklas, et al.
Veröffentlicht: (2024)

Interpretable breast cancer classification using CNNs on mammographic images
von: Balve, Ann-Kristin, et al.
Veröffentlicht: (2024)

Lightweight CNNs for Embedded SAR Ship Target Detection and Classification
von: Kresse, Fabian, et al.
Veröffentlicht: (2025)

Intriguing Frequency Interpretation of Adversarial Robustness for CNNs and ViTs
von: Chen, Lu, et al.
Veröffentlicht: (2025)

Vision Transformers for Kidney Stone Image Classification: A Comparative Study with CNNs
von: Reyes-Amezcua, Ivan, et al.
Veröffentlicht: (2025)

Adaptive Sharpness-Aware Pruning for Robust Sparse Networks
von: Bair, Anna, et al.
Veröffentlicht: (2023)

Variance-Based Pruning for Accelerating and Compressing Trained Networks
von: Berisha, Uranik, et al.
Veröffentlicht: (2025)

ReDistill: Residual Encoded Distillation for Peak Memory Reduction of CNNs
von: Chen, Fang, et al.
Veröffentlicht: (2024)

Optimized CNNs for Rapid 3D Point Cloud Object Recognition
von: Lyu, Tianyi, et al.
Veröffentlicht: (2024)

Exploring the Synergies of Hybrid CNNs and ViTs Architectures for Computer Vision: A survey
von: Yunusa, Haruna, et al.
Veröffentlicht: (2024)

A combination of noise and bilateral filters achieve supralinear and scalable adversarial robustness in CNNs
von: Stalder, Nicolas, et al.
Veröffentlicht: (2026)

A Survey on Deep Neural Network Pruning-Taxonomy, Comparison, Analysis, and Recommendations
von: Cheng, Hongrong, et al.
Veröffentlicht: (2023)

Sample Efficient Demonstration Selection for In-Context Learning
von: Purohit, Kiran, et al.
Veröffentlicht: (2025)

Greedy Growing Enables High-Resolution Pixel-Based Diffusion Models
von: Vasconcelos, Cristina N., et al.
Veröffentlicht: (2024)

Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch
von: Wu, Xidong, et al.
Veröffentlicht: (2024)

Robust Experts: the Effect of Adversarial Training on CNNs with Sparse Mixture-of-Experts Layers
von: Pavlitska, Svetlana, et al.
Veröffentlicht: (2025)

PROM: Prioritize Reduction of Multiplications Over Lower Bit-Widths for Efficient CNNs
von: Meiner, Lukas, et al.
Veröffentlicht: (2025)

SpaNN: Detecting Multiple Adversarial Patches on CNNs by Spanning Saliency Thresholds
von: Victorica, Mauricio Byrd, et al.
Veröffentlicht: (2025)

Robustness and sex differences in skin cancer detection: logistic regression vs CNNs
von: Pedersen, Nikolette, et al.
Veröffentlicht: (2025)

GreedyPixel: Fine-Grained Black-Box Adversarial Attack Via Greedy Algorithm
von: Wang, Hanrui, et al.
Veröffentlicht: (2025)