深度金字塔残差网络
计算机视觉与模式识别
2017-09-07 v4
摘要
近年来，深度卷积神经网络（DCNN）在图像分类任务中展现出卓越性能。通常，深度神经网络架构由大量卷积层堆叠而成，并沿空间维度通过池化进行下采样以减少内存占用。同时，特征图维度（即通道数）在下采样位置急剧增加，这对于保证有效性能至关重要，因为它增加了高层属性的多样性。这也适用于残差网络，并与其性能密切相关。在本研究中，我们不再在执行下采样的单元处急剧增加特征图维度，而是在所有单元处逐步增加特征图维度，以涉及尽可能多的位置。这一设计结合我们的新见解进行了深入探讨，已被证明是提升泛化能力的有效手段。此外，我们提出了一种新颖的残差单元，能够配合我们的新网络架构进一步提高分类精度。在基准数据集CIFAR-10、CIFAR-100和ImageNet上的实验表明，与原始残差网络相比，我们的网络架构具有更优越的泛化能力。代码可在https://github.com/jhkim89/PyramidNet获取。
引用
@article{arxiv.1610.02915,
title = {Deep Pyramidal Residual Networks},
author = {Dongyoon Han and Jiwhan Kim and Junmo Kim},
journal= {arXiv preprint arXiv:1610.02915},
year = {2017}
}
备注
Accepted to CVPR 2017