面向图像识别的 DenseNet 连接精简
计算机视觉与模式识别
2022-11-16 v3
摘要
卷积神经网络（CNN）通过堆叠卷积层增加深度，更深的网络模型在图像识别中表现更好。实证研究表明，简单堆叠卷积层并不能使网络训练得更好，而跳跃连接（残差学习）可改善网络模型性能。对于图像分类任务，具有全局密集连接架构的模型在 ImageNet 等大型数据集上表现良好，但不适用于 CIFAR-10 和 SVHN 等小型数据集。不同于密集连接，我们提出两种连接层的新算法。Baseline 为密集连接网络，由这两种新算法连接的网络分别命名为 ShortNet1 和 ShortNet2。在 CIFAR-10 和 SVHN 上的图像分类实验结果表明，ShortNet1 的测试错误率比 Baseline 低 5%，推理时间快 25%。ShortNet2 在测试精度损失较小的情况下将推理时间加快了 40%。代码和预训练模型可在 https://github.com/RuiyangJu/Connection_Reduction 获取。
引用
@article{arxiv.2208.01424,
title = {Connection Reduction of DenseNet for Image Recognition},
author = {Rui-Yang Ju and Jen-Shiun Chiang and Chih-Chia Chen and Yu-Shian Lin},
journal= {arXiv preprint arXiv:2208.01424},
year = {2022}
}