A pesar del gran éxito de las Redes Neuronales Convolucionales (CNNs) en varias tareas de reconocimiento visual, los altos costos computacionales y de almacenamiento de estas redes profundas dificultan su implementación en tiempo real en tareas de percepción remota. En este sentido, se ha prestado considerable atención a las técnicas de poda de filtros, que permiten adelgazar redes profundas con caídas de rendimiento aceptables y así implementarlas en dispositivos de percepción remota. En este documento, proponemos un nuevo esquema, denominado Poda de Filtros con Mecanismo de Atención (PFAM), para comprimir y acelerar CNNs tradicionales. En particular, se emplea un novedoso criterio de poda de filtros basado en correlaciones, que explora las dependencias a largo plazo entre los filtros a través de un módulo de atención, para seleccionar los filtros a podar. A diferencia de los métodos anteriores, los filtros menos correlacionados se podan primero después de la etapa de poda en la época de entrenamiento actual, y se reconstruyen y actualizan durante la siguiente época de entrenamiento. Esto permite manipular los datos de entrada con la máxima información preservada al ejecutar la estrategia de entrenamiento original de manera que se pueda obtener el modelo de red comprimido sin necesidad del modelo preentrenado. El método propuesto se evalúa en tres conjuntos de datos públicos de imágenes de percepción remota, y los resultados experimentales demuestran su superioridad en comparación con las bases de referencia de última generación. Específicamente, PFAM logra una mejora de precisión del 0,67% con una reducción del tamaño del modelo del 40% en el conjunto de datos de Imágenes Aéreas (AID), lo cual es impresionante.