CompConv：一种用于高效特征学习的紧凑卷积模块
计算机视觉与模式识别
2021-07-06 v2
摘要
卷积神经网络（CNNs）在各种计算机视觉任务中取得显著成功，但依赖巨大的计算开销。为解决该问题，现有方法要么压缩训练好的大规模模型，要么以精心设计的网络结构学习轻量模型。本文中，我们细致研究CNN中使用的基本单元——卷积算子，以降低其计算负载。具体地，我们提出一种称为CompConv的紧凑卷积模块，以促进高效特征学习。借助分治策略，CompConv能够节省大量计算与参数来生成特定维数的特征图。此外，CompConv巧妙地将输入特征整合至输出中以高效继承输入信息。更重要的是，新颖的CompConv是即插即用模块，可直接应用于现代CNN结构替换原始卷积层而无需额外工作。大量实验结果表明，CompConv能充分压缩基准CNN结构且几乎不牺牲性能，超越其他竞争对手。
引用
@article{arxiv.2106.10486,
title = {CompConv: A Compact Convolution Module for Efficient Feature Learning},
author = {Chen Zhang and Yinghao Xu and Yujun Shen},
journal= {arXiv preprint arXiv:2106.10486},
year = {2021}
}