利用求和面积表加速大核卷积
机器学习
2019-06-28 v1 计算机视觉与模式识别
机器学习
摘要
扩大感受野以捕获大尺度上下文，是获得人体姿态估计等密集预测任务良好性能的关键。虽然许多最先进的全卷积架构通过使用步幅卷积或池化层降低分辨率来扩大感受野，但最直接的策略是采用大滤波器。然而，由于参数数量和乘加运算量呈二次方增长，这种方法成本高昂。在这项工作中，我们探索使用可学习的盒式滤波器，以允许任意大核尺寸的卷积，同时保持每个滤波器的参数数量恒定。此外，我们使用预计算的求和面积表，使卷积的计算成本与滤波器尺寸无关。我们将盒式滤波器作为一个可微模块适配并整合到全卷积神经网络中，并在人体姿态估计任务的流行基准上展示了其具有竞争力的性能。
引用
@article{arxiv.1906.11367,
title = {Accelerating Large-Kernel Convolution Using Summed-Area Tables},
author = {Linguang Zhang and Maciej Halber and Szymon Rusinkiewicz},
journal= {arXiv preprint arXiv:1906.11367},
year = {2019}
}