基于学习型2D可分离变换的紧凑高效神经网络用于图像识别
计算机视觉与模式识别
2025-05-13 v1 机器学习
摘要
本文提出了一种学习型二维可分离变换(LST)，可视为构建用于图像识别任务的神经网络(NN)架构的一种新型计算层。LST基于共享一个全连接(FC)层的权重来处理图像所有行的思想。之后，使用第二个共享FC层处理从第一层获得的图像表示的所有列。在NN架构中使用LST层显著减少了模型参数数量。我们证明，基于单个LST层后接一个FC层的NN分类器在MNIST数据集上实现了98.02%的准确率，同时仅有9.5k参数。我们还实现了基于LST的手写数字识别分类器，在FPGA平台上展示了所提出方法在设计紧凑和高性能NN模型实现方面的效率。补充材料代码仓库：https://github.com/Mak-Sim/LST-2d
引用
@article{arxiv.2505.06578,
title = {Compact and Efficient Neural Networks for Image Recognition Based on Learned 2D Separable Transform},
author = {Maxim Vashkevich and Egor Krivalcevich},
journal= {arXiv preprint arXiv:2505.06578},
year = {2025}
}
备注
6 pages, 9 figures