ACNet：通过非对称卷积块增强卷积核骨架以构建强大的 CNN
计算机视觉与模式识别
2019-09-04 v3 机器学习
神经与进化计算
摘要
在给定应用的背景下设计合适的卷积神经网络（CNN）架构通常需要大量的人工或极长的 GPU 计算时间，因此研究界正在寻求架构中立的 CNN 结构，这种结构可以轻松插入多个成熟的架构中，以提升我们在实际应用中的性能。我们提出了非对称卷积块（ACB），作为一种 CNN 构建模块的架构中立结构，它使用 1D 非对称卷积来增强方形卷积核。对于现成的架构，我们用 ACB 替换标准的方核卷积层，以构建非对称卷积网络（ACNet），该网络可以通过训练达到更高的准确率。训练完成后，我们将 ACNet 等效转换为原始的相同架构，因此不再需要任何额外计算。我们观察到，ACNet 可以在 CIFAR 和 ImageNet 上显著提升各种模型的性能。通过进一步的实验，我们将 ACB 的有效性归因于其能够增强模型对旋转扭曲的鲁棒性，并加强方形卷积核的中心骨架部分。
引用
@article{arxiv.1908.03930,
title = {ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks},
author = {Xiaohan Ding and Yuchen Guo and Guiguang Ding and Jungong Han},
journal= {arXiv preprint arXiv:1908.03930},
year = {2019}
}
备注
Accepted to ICCV 2019