肠道类器官隐窝分类的YOLOv8优化：多策略重要性剪枝方法的探索与应用
方悦冰

东南大学，江苏省南京市，210096；

摘要：在生物医学影像任务中，如将肠道类器官分为具有隐窝结构和没有隐窝结构的类别，部署YOLOv8等深度学习模型需要创新的优化技术，以平衡计算效率和诊断准确性。我们提出了多策略重要性剪枝（MSIP），这一开创性框架通过结合梯度敏感性、几何中值、激活稀疏性和信息理论原理，并使用自适应阈值化技术，重新定义了参数重要性评估。在自定义的肠道类器官数据集上应用MSIP，YOLOv8的乘法累加操作（MACs）减少了66%（从14.27G降至4.78G），模型大小减少了67%，经过微调后，平均精度（mAP）达到了0.86，超越了未经剪枝的基线0.83，并且在微调前最低mAP为0.83。通过16次动态剪枝过程并与最先进的基线进行严格比较，MSIP为效率和鲁棒性设立了新的基准。本研究为资源受限环境中的实时生物医学影像提供了理论创新和实验严谨的解决方案，并对神经网络优化具有深远的影响。

关键词：肠道类器官；图像识别分类；网络剪枝

参考文献

[1]Lee, J., Park, S., Mo, S., Ahn, S., & Shin, J. Layer-adaptive sparsity for the magnitude-based pruning. arXiv 2020. arXiv preprint arXiv:2010.07611.
[2] He, Y., & Xiao, L. (2023). Structured pruning for deep convolutional neural networks: A survey. IEEE transactions on pattern analysis and machine intelligence, 46(5), 2900-2919.
[3] He, Y., Liu, P., Wang, Z., Hu, Z., & Yang, Y. (2019). Filter pruning via geometric median for deep convolutional neural networks acceleration. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 4340-4349).