一种基于动态可解释剪枝的U-Net模型优化方法

本发明提供一种基于动态可解释剪枝的U‑Net模型优化方法，采用分层级差异化剪枝策略，在编码器采用结构化通道剪枝，在解码器采用非结构化核内剪枝；引入多维度评估模型，构建包括权重绝对值、梯度显著性以及特征图熵值的三元评估模型；将硬件特性与剪枝粒度进行动态关联，根据目标部署平台的算力特性预设相应的剪枝粒度；采用现有的医学影像数据集作为输入特征图，依次经过预训练、动态剪枝训练、精度恢复三阶段流程对改进后的U‑Net模型进行训练。本发明有效减少了参数量，提升了边缘设备的推理速度提升，以满足临床实时性要求；同时保持了较高的精度，在医学影像分割任务中具有实际应用价值。