面向尺度聚合网络的数据驱动神经元分配
计算机视觉与模式识别
2019-04-23 v1
摘要
成功的视觉识别网络得益于聚合来自广泛尺度范围的信息。以往研究探讨了连接层或块内多分支的信息融合，力求增强多尺度表示的表达能力。尽管取得了巨大成功，现有做法通常手动为每个尺度分配神经元，并在整个网络的所有聚合块中保持相同比例，导致次优性能。本文提出学习深度网络不同构建块中聚合多尺度信息的神经元分配。每个块中最具信息量的输出神经元被保留，其余被丢弃，从而多尺度的神经元得到竞争性与自适应分配。我们的尺度聚合网络（ScaleNet）通过重复一个尺度聚合（SA）块构建，该块拼接广泛尺度范围内的特征图。每个尺度的特征图由一组下采样、卷积和上采样操作生成。这种数据驱动的神经元分配与SA块以相当低的计算复杂度代价实现了强大的表示能力。所提出的ScaleNet通过将ResNet中所有3x3卷积替换为我们的SA块，在相同计算复杂度下取得了优于ResNet及其杰出变体（如ResNeXt和SE-ResNet）的性能。在ImageNet分类上，ScaleNet将ResNet的top-1错误率绝对降低了1.12（101层）和1.82（50层）。在COCO目标检测上，ScaleNet以ResNet为骨干网络在Faster RCNN上分别将mmAP绝对提升了3.6（101层）和4.6（50层）。代码与模型发布于 https://github.com/Eli-YiLi/ScaleNet。
引用
@article{arxiv.1904.09460,
title = {Data-Driven Neuron Allocation for Scale Aggregation Networks},
author = {Yi Li and Zhanghui Kuang and Yimin Chen and Wayne Zhang},
journal= {arXiv preprint arXiv:1904.09460},
year = {2019}
}
备注
11 pages,