面向高效浅层CNN的对数滤波器分组卷积
计算机视觉与模式识别
2017-09-15 v2
摘要
在卷积神经网络中，卷积层的滤波器分组已知有助于减少网络参数规模。本文提出一种新的对数滤波器分组方法，可捕捉CNN中滤波器分布的非线性。所提出的对数滤波器分组被部署于适用于移动应用的浅层CNN中。针对分类任务使用浅层CNN进行了实验。我们在Multi-PIE数据集上进行面部表情识别，以及在CIFAR-10数据集上进行物体分类的分类结果表明，采用所提对数滤波器分组方案的紧凑CNN在准确率和参数效率方面均优于采用均匀滤波器分组的相同网络。我们的结果表明，所提出的对数滤波器分组可提升浅层CNN的效率。
引用
@article{arxiv.1707.09855,
title = {Convolution with Logarithmic Filter Groups for Efficient Shallow CNN},
author = {Tae Kwan Lee and Wissam J. Baddar and Seong Tae Kim and Yong Man Ro},
journal= {arXiv preprint arXiv:1707.09855},
year = {2017}
}
备注
8 pages, 4 figures, 3 tables. Changes in abstract, result representations and typo corrections