ChannelNets:基于通道卷积的紧凑高效卷积神经网络
计算机视觉与模式识别
2018-09-06 v1
摘要
卷积神经网络(CNNs)已展现出解决各类人工智能任务的强大能力。然而,模型规模的日益增长给其在资源受限应用中的部署带来了挑战。在本工作中,我们提出通过使用通道卷积来压缩深度模型,该操作以CNN中特征图之间的稀疏连接取代稠密连接。基于这一新颖操作,我们构建了称为ChannelNets的轻量级CNNs。ChannelNets使用了三种通道卷积实例,即分组通道卷积、深度可分离通道卷积以及卷积分类层。相较于先前为移动设备设计的CNNs,ChannelNets在参数数量与计算成本上实现了显著削减,且不损失精度。值得注意的是,我们的工作首次尝试压缩全连接分类层,该层通常约占紧凑CNNs总参数的25%。在ImageNet数据集上的实验结果表明,ChannelNets相较于已有方法取得了一致更优的性能。
引用
@article{arxiv.1809.01330,
title = {ChannelNets: Compact and Efficient Convolutional Neural Networks via Channel-Wise Convolutions},
author = {Hongyang Gao and Zhengyang Wang and Shuiwang Ji},
journal= {arXiv preprint arXiv:1809.01330},
year = {2018}
}
备注
10 pages, NIPS18