BD-Net：深度视图卷积是否已在二进制神经网络中被应用？
计算机视觉与模式识别
2025-11-25 v1
摘要
近期模型压缩技术的进展凸显了低位精度技术的潜力，二进制神经网络（BNN）因其极致效率而受到关注。然而，BNN中的极端量化限制了表征能力并使训练不稳定，为轻量级带深度视图卷积的网络结构带来了显著挑战。为此，我们提出一种1.58位卷积以增强表达能力，以及一种预BN残差连接通过改善Hessian条件数来稳定优化。我们的方法实现了对深度视图卷积在BNN中首次成功的二值化。本方法在ImageNet上使用MobileNet V1仅需33M OP，建立了BNN的新型态，凭借相当OP数的性能优于先前方法。此外，在CIFAR-10、CIFAR-100、STL-10、Tiny ImageNet和Oxford Flowers 102等多个数据集上，本方法持续优于现有方法，准确率提升最高可达9.3个百分点。
引用
@article{arxiv.2511.17633,
title = {BD-Net: Has Depth-Wise Convolution Ever Been Applied in Binary Neural Networks?},
author = {DoYoung Kim and Jin-Seop Lee and Noo-ri Kim and SungJoon Lee and Jee-Hyong Lee},
journal= {arXiv preprint arXiv:2511.17633},
year = {2025}
}
备注
Paper accepted to AAAI 2026