ANTNets：用于资源高效图像分类的移动卷积神经网络
计算机视觉与模式识别
2019-09-06 v2
摘要
深度卷积神经网络在计算机视觉中取得了显著成功。然而，深度神经网络需要大量计算资源才能实现高性能。尽管深度可分离卷积可作为近似标准卷积的高效模块，但它常导致网络表征能力降低。在本文中，在计算成本（MAdds）和参数量等预算约束下，我们提出了一种新颖的基础架构块 ANTBlock。它通过在高位空间中建模 ANTBlock 内深度卷积层与投影层之间通道的相互依赖关系，提升了表征能力。我们的实验表明，由一系列 ANTBlock 构建的 ANTNet 在多个数据集上持续优于最先进的低成本移动卷积神经网络。在 CIFAR100 上，我们的模型达到了 75.7% 的 top-1 准确率，比 MobileNetV2 高 1.5%，且参数少 8.3%、计算成本低 19.6%。在 ImageNet 上，我们的模型达到了 72.8% 的 top-1 准确率，提升了 0.8%，且在 iPhone 5s 上比 MobileNetV2 快 157.7ms（20%）。
引用
@article{arxiv.1904.03775,
title = {ANTNets: Mobile Convolutional Neural Networks for Resource Efficient Image Classification},
author = {Yunyang Xiong and Hyunwoo J. Kim and Varsha Hedau},
journal= {arXiv preprint arXiv:1904.03775},
year = {2019}
}
备注
CVPR 2019 Workshop on Efficient Deep Learning for Computer Vision (Oral)