Las redes neuronales convolucionales (CNNs) se utilizan ampliamente en visión por computadora; sin embargo, plantean desafíos en términos de tiempo computacional y requisitos de almacenamiento. Para abordar este problema, un enfoque bien conocido es la poda de filtros. Sin embargo, el ajuste fino de los modelos podados requiere una potencia informática sustancial y un gran conjunto de datos de reentrenamiento. Para restaurar el rendimiento del modelo después de podar cada capa, proponemos el marco de Modelo Pequeño de Aproximación Convolucional (CASM). CASM implica entrenar un modelo compacto con los núcleos restantes y optimizar sus pesos para restaurar mapas de características que se asemejen a los núcleos originales. Este método requiere menos complejidad y menos muestras de entrenamiento en comparación con el ajuste fino básico. Evaluamos el rendimiento de CASM en los conjuntos de datos CIFAR-10 e ImageNet utilizando los modelos VGG-16 y ResNet-50. Los resultados experimentales demuestran que CASM supera el marco de ajuste fino básico en términos de aceleración de tiempo (3.3 veces más rápido), requiriendo un conjunto de datos más pequeño para la recuperación del rendimiento después de la poda y logrando una precisión mejorada.