论文地址： https://arxiv.org/abs/1903.09291github地址：https://github.com/ShaohuiLin/GAL本文提出基于生成对抗的剪枝策略，这与我目前的方法有些相似。Motivation目前的结构剪枝方法存在一些不足：相对耗时的多阶段优化过程，须反复迭代地剪枝和微调一般剪枝均为硬剪枝，采用hard pruning mask，无法灵活...

论文地址：http://arxiv.org/abs/1811.10559github地址：无本文于18年发表，提出了基于filter相关性的模型压缩方法。其特点是在建立相关性系数后对相关性强的filter进一步增强相关性，从而降低了filter剪枝后的损失。Motivation以往的基于重要性指标的剪枝方法没有充分考虑filter之间的冗余，仅考虑filter的重要程度，因此存在重要但冗余...

本文提出了一种基于性能感知近似的全局通道剪枝框架（PAGCP），可以有效并广泛应用于包括目标检测、多任务密集预测甚至分类等各种模型的压缩中。作者从理论上推导出PAGCP的优化目标，并设计了序贯式贪心剪枝策略来近似解决目标问题。该剪枝策略通过分步的序贯式通道剪枝来考虑层内和层间不同卷积核对压缩性能的相互影响，并通过性能感知的Oracle约束准则来考虑卷积核对不同任务的敏感程度不同这一特性。