CSPNet：一种可增强 CNN 学习能力的新骨干网络
计算机视觉与模式识别
2019-11-28 v1
摘要
神经网络已使计算机视觉任务（如目标检测）上的最优方法取得惊人结果。然而，此类成功极大依赖昂贵的计算资源，阻碍了使用廉价设备的用户享受先进技术。本文提出跨阶段局部网络（Cross Stage Partial Network, CSPNet），从网络架构角度缓解先前工作所需沉重推理计算的问题。我们将该问题归因于网络优化中重复的梯度信息。所提网络通过整合网络阶段始端与末端的特性图来尊重梯度的可变性，在我们的实验中，于 ImageNet 数据集上以等效甚至更优的精度减少 20% 计算量，并在 MS COCO 目标检测数据集上以 AP50 指标显著优于最优方法。CSPNet 易于实现且具足够通用性以适配基于 ResNet、ResNeXt 和 DenseNet 的架构。源代码见 https://github.com/WongKinYiu/CrossStagePartialNetworks。
引用
@article{arxiv.1911.11929,
title = {CSPNet: A New Backbone that can Enhance Learning Capability of CNN},
author = {Chien-Yao Wang and Hong-Yuan Mark Liao and I-Hau Yeh and Yueh-Hua Wu and Ping-Yang Chen and Jun-Wei Hsieh},
journal= {arXiv preprint arXiv:1911.11929},
year = {2019}
}