加速用于分类与检测的极深卷积网络
计算机视觉与模式识别
2015-11-19 v2 机器学习
神经与进化计算
摘要
本文旨在加速卷积神经网络（CNNs）的测试时计算，尤其是那些对计算机视觉界产生重大影响的极深CNNs。与之前为近似线性滤波器或线性响应而设计的方法不同，我们的方法考虑了非线性单元。我们开发了对所得非线性优化问题的有效解决方案，无需随机梯度下降（SGD）。更重要的是，先前的方法主要聚焦于优化一层或两层，而我们的非线性方法实现了非对称重构，当近似多个（例如>=10）层时减少了快速累积的误差。对于广泛使用的极深VGG-16模型，我们的方法实现了整体模型4倍加速，在ImageNet分类中仅增加0.3%的top-5误差。我们4倍加速的VGG-16模型在植入Fast R-CNN检测器时，也显示出目标检测精度的优雅退化。
引用
@article{arxiv.1505.06798,
title = {Accelerating Very Deep Convolutional Networks for Classification and Detection},
author = {Xiangyu Zhang and Jianhua Zou and Kaiming He and Jian Sun},
journal= {arXiv preprint arXiv:1505.06798},
year = {2015}
}
备注
TPAMI, accepted. arXiv admin note: substantial text overlap with arXiv:1411.4229