轻量卷积神经网络的数据侧效率
计算机视觉与模式识别
2023-08-28 v1
摘要
我们考察了图像分类与目标检测这两项重要视觉任务中数据侧属性的选择，如何有助于轻量卷积神经网络的选择或设计。我们通过实验展示了四个数据属性——类别数、物体颜色、图像分辨率与物体尺度——如何影响神经网络模型大小与效率。我们定义了基于度量学习的类内与类间相似度度量，以引导对这些属性的评估，从而实现轻量模型。表明使用这些度量的评估所需计算量比运行完整推理测试少 30 倍。我们举例将度量与方法应用于机器人路径规划应用中的轻量模型选择，相较方法前模型实现了 66% 的计算量削减与 3.5% 的准确率提升。
引用
@article{arxiv.2308.13057,
title = {Data-Side Efficiencies for Lightweight Convolutional Neural Networks},
author = {Bryan Bo Cao and Lawrence O'Gorman and Michael Coss and Shubham Jain},
journal= {arXiv preprint arXiv:2308.13057},
year = {2023}
}
备注
10 pages, 5 figures, 6 tables