一种用于低复杂度和高性能食物分类的鲁棒XAI引导结构化剪枝方法

《Scientific Reports》：A robust XAI guided structured pruning approach for low-complexity and high-performance food classification

　　

摘要

深度卷积神经网络已被广泛应用于食物图像分类任务，但由于计算开销、模型冗余以及非贡献特征通道带来的架构复杂性增加，其在资源受限设备上的部署仍然面临挑战。现有的剪枝方法主要侧重于参数缩减，对逐层冗余特征响应的识别和消除以及语义可解释性的保留关注有限。此外，可解释人工智能（XAI）技术主要局限于事后可视化，很少被用于模型优化和结构化压缩。为了解决这些局限性，本研究提出了一种基于Grad-CAM（梯度加权类激活映射）的通道重要性准则，用于我们SE-DenseNet121食物分类模型的结构化剪枝。所提出的框架能够识别冗余特征响应，剪除低效通道，降低模型成本和复杂性，同时保留最具信息量的表示并维持密集块（Dense Block）的连通性。利用该重要性评分，从896个转换层通道中移除了160个通道（17.9%）。剪枝后的模型进一步通过知识蒸馏和交叉熵微调进行了优化。实验结果表明，所提出的框架将参数量减少了8.39%，MACs（乘加操作数）减少了5.15%，同时达到了98.13%的准确率（使用测试时增强技术可达到98.61%）。在五次独立运行中，模型的平均准确率为98.56% ± 0.07%，该指标被作为主要报告的评估结果。McNemar检验显示，剪枝模型与教师模型之间存在统计显著但适度的差异，仅限于测试图像的1.9%。将该剪枝模型零样本应用于来自三个独立公共数据集的3,045张图像，其准确率达到86.21%，而教师模型为87.78%。这些结果表明，可解释性引导的剪枝方法在提高计算效率的同时，能够保持可比的食物图像识别准确率和可解释性。