DelugeNets：具有高效灵活跨层信息流的深度网络
计算机视觉与模式识别
2017-08-24 v5 机器学习
神经与进化计算
摘要
Deluge 网络（DelugeNets）是一种深度神经网络，能高效地促进从先前层到后续层的大规模跨层信息流入。DelugeNets 中层与层之间的连接通过具有可学习滤波器的跨层深度可分离卷积层建立，充当一种灵活而高效的选择机制。与 ResNets 相比，DelugeNets 能以更大的灵活性跨越多层传播信息，并更有效地利用网络参数，同时比 DenseNets 更高效。值得注意的是，一个模型复杂度仅为 4.31 GigaFLOPs 和 20.2M 网络参数的 DelugeNet 模型，在 CIFAR-10 和 CIFAR-100 数据集上分别取得了 3.76% 和 19.02% 的分类错误率。此外，DelugeNet-122 在 ImageNet 数据集上的表现与 ResNet-200 相当，尽管其所需的计算量仅为后者的一半。
引用
@article{arxiv.1611.05552,
title = {DelugeNets: Deep Networks with Efficient and Flexible Cross-layer Information Inflows},
author = {Jason Kuen and Xiangfei Kong and Gang Wang and Yap-Peng Tan},
journal= {arXiv preprint arXiv:1611.05552},
year = {2017}
}
备注
Code: https://github.com/xternalz/DelugeNets