提出了一种新的过滤器剪枝方法，即通过几何中值的过滤器剪枝（FPGM）来压缩模型。
与以前的方法不同，FPGM 通过修剪带有冗余信息的过滤器而不是那些重要性“相对较低”的过滤器来压缩 CNN 模型。
与之前修剪贡献相对较少的过滤器的方法不同，FPGM 选择具有最大可替换贡献的过滤器。具体来说，我们计算同一层内过滤器的几何中值 (GM) [8]。根据 GM 的特性，它附近的滤波器 F 可以用剩下的滤波器来表示。因此，修剪这些过滤器不会对模型性能产生实质性的负面影响。
基于范数的剪枝方法，依赖两个并不总是满足的要求：（1）滤波器的范数偏差应该很大； (2) 滤波器的最小范数应该很小。而 FPGM 不需要这两个要求。
将修剪操作与正常训练过程相结合，因此不需要额外的微调。
先求出第 i 层的几何中值，在从第 i 层找出最接近该几何中值的滤波器，将它们置 0。
为了摆脱基于范数标准中的约束，我们提出了一种受几何中值启发的新过滤器修剪方法。几何中值 [8] 的中心思想如下：给定一组 n 个点 a ( 1 ) , . . . , a ( n ) a^{(1)},...,a^{(n)} a(1),...,a(n)，每个点 a ( i ) ∈ R d a^{(i)} ∈ R^d a(i)∈Rd，找到一个点 x ∗ ∈ R d x^∗ ∈ R^d x∗∈Rd 最小化到它们的欧几里得距离之和：
其中 [1, n] = {1, …, n}。
由于几何中值是欧几里得空间中数据中心性的经典鲁棒估计量[8]，我们使用几何中值来获取单个第 i 层内所有滤波器的公共信息：
在第 i 层中，找到最接近该层几何中值的滤波器：
那么 F i , j ∗ F_{i,j}∗ Fi,j∗ 可以由同一层中的其他过滤器表示，因此，修剪它们对网络性能几乎没有负面影响。
由于几何中值是欧几里得空间中数据中心性的经典鲁棒估计量，因此所选滤波器 F i , x ∗ F_{i, x}* Fi,x∗ 和剩余滤波器共享最有共通性的信息。这表明过滤器 F i , x ∗ F_{i,x}* Fi,x∗ 的信息可以被其它滤波器替换。经过微调，网络可以轻松恢复其原始性能，因为修剪后的过滤器的信息可以由剩余的过滤器表示。因此，过滤器 F i , x ∗ F_{i,x}* Fi,x∗ 可以被修剪，对神经网络的最终结果的影响可以忽略不计。
