用于轻量级字符识别的压缩 DenseNet
计算机视觉与模式识别
2020-07-23 v3
摘要
卷积循环神经网络(CRNN)是识别图像中文本的流行网络。诸如带连接时序分类的密集卷积网络等 CRNN 变体的进展减少了网络的运行时间,但暴露出卷积网络的内部计算成本和权重规模成为瓶颈。具体而言,基于 DenseNet 的模型利用密集块作为核心模块,但内部特征在密集块中以拼接形式组合。因此,作为靠近输出的层之输入所传递的组合特征的通道数以及相关计算成本随着密集块加深而迅速增长。这将严重带来沉重的计算成本和庞大的权重规模,从而限制了密集块的深度。本文提出一种称为轻量级密集块(LDB)的压缩卷积块。为降低计算成本和权重规模,我们重新定义并重新设计了密集块内部特征的组合方式。LDB 是类似于密集块的卷积块,但与原块相比可将计算成本和权重规模降低至 (1/L, 2/L),其中 L 为块中层数。此外,LDB 可用于替换任何基于 DenseNet 的模型中的原始密集块。基于 LDB,我们提出一种用于轻量级字符识别的压缩 DenseNet(CDenseNet)。大量实验表明,CDenseNet 能在提供有前景的识别结果的同时有效减小权重规模。
引用
@article{arxiv.1912.07016,
title = {Compressed DenseNet for Lightweight Character Recognition},
author = {Zhao Zhang and Zemin Tang and Yang Wang and Haijun Zhang and Shuicheng Yan and Meng Wang},
journal= {arXiv preprint arXiv:1912.07016},
year = {2020}
}