面向移动应用的描述子模型压缩

深度神经网络借助新兴的大型多样化数据集，在基于特征的图像匹配中展现了最先进的性能。然而，关于评估这些模型的计算成本、模型大小与匹配精度之间权衡的工作甚少。本文通过考察最先进的 HardNet 模型，明确探讨了这些实际指标。我们观察到所学权重中存在显著冗余，并利用深度可分离层与高效的 Tucker 分解加以利用。我们证明这些方法的组合非常有效，但仍牺牲了顶尖精度。为解决此问题，我们提出卷积-深度可分离-逐点（CDP）层，其提供了在标准卷积与深度可分离卷积之间插值的方法。借助该提出层，我们能在 HardNet 模型上实现参数量减少 8 倍、计算复杂度降低 13 倍，而在 HPatches 基准上整体精度损失不到 1%。为进一步证明该方法的泛化性，我们将其应用于最先进的 SuperPoint 模型，可显著减少参数量和浮点运算，且匹配精度退化极小。