只需单层图卷积：高效灰度图像分类
计算机视觉与模式识别
2024-06-28 v6 机器学习
摘要
用于特定领域任务（如合成孔径雷达自动目标识别和胸部 X 光分类）的图像分类器通常依赖卷积神经网络（CNN）。这些网络虽然功能强大，但由于其执行的操作数量众多，会导致高延迟，这在实时应用中可能成为问题。许多图像分类模型被设计为同时处理 RGB 和灰度数据集，但仅针对灰度图像操作的分类器则不太常见。灰度图像分类在医学成像和 SAR ATR 等领域具有关键应用。为此，我们提出了一种利用图像矢量化视图的新型灰度图像分类方法。通过利用多层感知机（MLP）的轻量级特性，我们将图像视为向量，从而将问题简化为灰度图像分类。我们的方法以批处理方式引入了单层图卷积层，从而提高了准确率并降低了性能方差。此外，我们在 FPGA 上为我们的模型开发了一个定制加速器，并采用了多种优化措施来提升性能。在基准灰度图像数据集上的实验结果表明了该方法的有效性，与 SAR ATR 和医学图像分类的最先进模型相比，实现了显著更低的延迟（在 MSTAR 上最多降低 16 倍）以及具有竞争力或更优越的性能。
引用
@article{arxiv.2402.00564,
title = {A Single Graph Convolution Is All You Need: Efficient Grayscale Image Classification},
author = {Jacob Fein-Ashley and Sachini Wickramasinghe and Bingyi Zhang and Rajgopal Kannan and Viktor Prasanna},
journal= {arXiv preprint arXiv:2402.00564},
year = {2024}
}
备注
Accepted to IEEE ICIP 2024