본 논문은 무선 통신의 발전과 디지털 변조 방식의 복잡성 증가로 인해 기존의 수동 변조 인식 방법이 신뢰할 수 있는 신호 특징을 추출하고 실시간 요구 사항을 충족하는 데 어려움을 겪는 문제를 해결하고자 한다. 딥러닝 기반 자동 변조 인식(AMR) 방법이 정확도를 크게 향상시켰지만, 모델 크기가 크고 계산 요구량이 높아 자원 제약이 있는 장치에 배포하는 데 어려움이 있다. 본 논문에서는 채널 수준 가지치기와 계층 수준 붕괴 진단을 결합하여 극단적인 압축, 높은 성능 및 효율적인 추론을 달성하는 새로운 Fine-to-COarse 두 단계 가지치기 프레임워크인 FCOS를 제안한다. FCOS는 첫 번째 단계에서 계층적 클러스터링과 매개변수 융합을 채널 가중치에 적용하여 채널 수준 가지치기를 수행하고, 두 번째 단계에서 계층 붕괴 진단(LaCD) 모듈을 사용하여 선형 프로빙으로 계층 붕괴를 식별하고 높은 채널 압축률로 인해 붕괴된 계층을 제거한다. 다양한 AMR 벤치마크에 대한 실험을 통해 FCOS가 기존의 채널 및 계층 가지치기 방법보다 우수함을 보여준다. 특히, FCOS는 Sig2019-12에서 정확도가 0.46%만 감소하면서 FLOPs를 95.51%, 매개변수를 95.31% 감소시킨다. 코드는 https://github.com/yaolu-zjut/FCOS 에서 이용 가능하다.
