解耦动态滤波网络
计算机视觉与模式识别
2021-04-30 v1
摘要
卷积是 CNN 架构的基本构建模块之一。尽管使用广泛，标准卷积有两个主要缺点：与内容无关且计算量大。动态滤波器是内容自适应的，但会进一步增加计算开销。深度可分离卷积是一种轻量变体，但通常会导致 CNN 性能下降或需要更多通道数。在本工作中，我们提出解耦动态滤波器（DDF），可同时解决这两个缺点。受近期注意力机制进展的启发，DDF 将深度可分离动态滤波器解耦为空间与通道动态滤波器。这种分解显著减少了参数量，并将计算成本限制在等同于深度可分离卷积的水平。同时，我们观察到在分类网络中用 DDF 替换标准卷积时性能显著提升。ResNet50 / 101 的 top-1 准确率分别提升 1.9% 和 1.3%，而计算成本降低近一半。在检测与联合上采样网络上的实验也表明，DDF 上采样变体（DDF-Up）相较于标准卷积和专用内容自适应层具有更优性能。
引用
@article{arxiv.2104.14107,
title = {Decoupled Dynamic Filter Networks},
author = {Jingkai Zhou and Varun Jampani and Zhixiong Pi and Qiong Liu and Ming-Hsuan Yang},
journal= {arXiv preprint arXiv:2104.14107},
year = {2021}
}
备注
CVPR 2021