热带卷积神经网络的复合与并行模式

卷积神经网络正变得越来越深且复杂，导致计算成本提高。虽然热带卷积神经网络（TCNN）可减少乘法运算，但其表现不佳。为此，我们提出了两种新变体——复合 TCNN（cTCNN）和并行 TCNN（pTCNN），其使用热带 min-plus 和 max-plus 核的组合来取代传统卷积核。这既减少了乘法运算，又在效率与性能之间取得平衡。在各种数据集上的实验表明，cTCNN 和 pTCNN 的性能可与其他 CNN 方法相当。将其与常规 CNN 深度架构组合也可提升性能。我们正在进一步探索简化 TCNN 架构，以在最小精度损失下减少参数和乘法运算，旨在实现高效且有效的模型。