3D 深度可分离卷积：减少三维视觉任务中的模型参数量
计算机视觉与模式识别
2018-08-07 v1
摘要
标准 3D 卷积操作比 2D 卷积操作需要大得多的内存与计算开销，这一事实阻碍了深度神经网络在许多 3D 视觉任务中的发展。本文探究在 3D 场景中应用深度可分离卷积的可能性，并引入 3D 深度可分离卷积的使用。3D 深度可分离卷积将单个标准 3D 卷积拆分为两个独立步骤，可将 3D 卷积的参数量以超过一个数量级的幅度大幅削减。我们在主流 CNN 架构上实验了 3D 深度可分离卷积，并与一种称为伪 3D 卷积的类似结构进行比较。结果表明，借助 3D 深度可分离卷积，分类与重建等 3D 视觉任务可用更轻量的神经网络完成，同时仍保持可比的性能。
引用
@article{arxiv.1808.01556,
title = {3D Depthwise Convolution: Reducing Model Parameters in 3D Vision Tasks},
author = {Rongtian Ye and Fangyu Liu and Liqiang Zhang},
journal= {arXiv preprint arXiv:1808.01556},
year = {2018}
}
备注
Work in progress