Videos de Conceptos Relacionados
Self-Awareness and Its Effects
Altered States of Awareness
The ingestion of substances like stimulants or hallucinogens leads to chemical alterations in the brain...
Subconsciousness and No Awareness
An illustrative example of subconscious processing is its role in problem-solving. Often, individuals...
Passive Filters
Low-Pass Filters
Low-pass filters are designed to transmit signals with frequencies lower than the cutoff frequency, ωc, and attenuate those above it. The cutoff...
High-Level and Low-Level Awareness
Short-distance Transport of Resources
También podría leer
Artículos Relacionados
Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.
A Functional Shape Framework for the Detection of Multiple Sclerosis Using Optical Coherence Tomography Images.
INNFusion: A Diffusion-Based Blind Image Super Resolution Scheme Using Reversible Degradation Process With Invertible Neural Networks.
A Multi-Level Self-Distillation-Based Unified Tracker for Efficient RGB-T Tracking.
ECG-EmotionNet: Nested Mixture of Expert (NMoE) Adaptation of ECG-Foundation Model for Driver Emotion Recognition.
Attention-Fusion-Based Two-Stream Vision Transformer for Heart Sound Classification.
Intervention Feasible Region and Driver Risk Capacity Aware Human-Machine Collaborative Safe Trajectory Planning.
A Unified Differential Denoising Learning Framework With a Pre-Trained Model and Fuzzy Graph Networks for Drug-Drug Interaction Prediction.
Self-Supervised Continuous Dynamic Graph Representation Learning via Hawkes Processes.
cPU: Consistent Risk Estimator for Positive-Unlabeled Learning.
Tuning-Free Latent Diffusion Models for Ultrahigh-Resolution Image Editing.
Hidden Data Recovery and Forecasting via Next-Generation Reservoir Computing With Multiscale Delay Selection.
Video Experimental Relacionado
Updated: Feb 12, 2026

Leveraging CyVerse Resources for De Novo Comparative Transcriptomics of Underserved Non-model Organisms
Published on: May 9, 2017
Eficiencia en el uso de recursos y conocimiento de la interdependencia de capas CNN poda aprovechando el reemplazo de
Este estudio introduce el reemplazo de filtros (FR) para la poda de la red neuronal convolucional (CNN), mejorando la precisión y la eficiencia. El nuevo método libre de datos mejora la eficiencia de los recursos en los modelos de CNN.
Área de la Ciencia:
- Ciencias de la computación Ciencias de la computación
- La inteligencia artificial es inteligencia artificial.
- Aprendizaje automático Aprendizaje automático.
Sus antecedentes:
- Los métodos tradicionales de poda de redes neuronales convolucionales (CNN) a menudo usan criterios heurísticos, lo que lleva a un rendimiento inconsistente y una generalización limitada.
- Las técnicas de poda existentes pueden carecer de eficiencia y adaptabilidad para los modelos modernos de aprendizaje profundo.
Objetivo del estudio:
- Introducir un nuevo marco de reemplazo de filtros (FR) para la poda de CNN, tratando la poda como el reemplazo de filtros con filtros cero.
- Desarrollar un algoritmo de poda eficiente, libre de datos y de baja complejidad derivando un límite de error y definiendo una función de importancia submodular.
- Ampliar el marco de FR con reemplazos óptimos de filtros distintos de cero e introducir una métrica de eficiencia de recursos (ER).
Principales métodos:
- Propuso un marco de reemplazo de filtros (FR) para la poda de CNN.
- Derivado un límite superior en el error absoluto para definir una eficiente, $\gamma $- débilmente submodular función de importancia.
- Desarrolló un algoritmo oblivious libre de datos para la selección de filtros y amplió el FR con técnicas de mejor aproximación para el reemplazo de filtros.
- Se introdujo una métrica de eficiencia de recursos (ER) para evaluar los métodos de poda.
Principales resultados:
- Logró resultados de vanguardia en redes de referencia y conjuntos de datos.
- Demostró una reducción del 25,5% en los parámetros de red para ResNet-50 en ImageNet, mejorando la precisión del 75,15% al 76,52%.
- El método de poda consciente de la interdependencia de capas (LIAP, por sus siglas en inglés) mostró una eficiencia hasta 1011 veces mayor en comparación con las técnicas existentes.
Conclusiones:
- El marco propuesto de reemplazo de filtros (FR) ofrece un enfoque efectivo y eficiente para la poda de CNN.
- El algoritmo libre de datos y de baja complejidad y los reemplazos optimizados de filtros logran un rendimiento superior y una eficiencia de recursos superior.
- Este trabajo establece un nuevo estándar para la poda de CNN consciente de los recursos, equilibrando la precisión y la compresión del modelo.

