用于在不损失精度前提下减少网络参数的深度多感知卷积
计算机视觉与模式识别
2021-02-01 v1 人工智能
摘要
深度卷积神经网络近年来已在多项基准挑战中被证明是成功的。然而，性能提升严重依赖于日益复杂的网络架构和大量的参数，这需要不断增长的存储与内存容量。深度可分离卷积（DSConv）通过将标准卷积解耦为空间与跨通道卷积步骤，可有效减少所需参数数量。但该方法会导致精度下降。为解决此问题，我们提出深度多感知卷积，称为 Multiception，其引入逐层多尺度核，以同时学习所有独立输入通道的多尺度表示。我们在四个基准数据集（即 Cifar-10、Cifar-100、STL-10 和 ImageNet32x32）上使用五种流行 CNN 模型进行了实验，Multiception 在所有模型中均实现了精度提升，并展现出比相关工作更高的精度表现。同时，Multiception 在保持精度的前提下，将基于标准卷积的模型参数数量平均显著减少了 32.48%。
引用
@article{arxiv.2011.03701,
title = {Depthwise Multiception Convolution for Reducing Network Parameters without Sacrificing Accuracy},
author = {Guoqing Bao and Manuel B. Graeber and Xiuying Wang},
journal= {arXiv preprint arXiv:2011.03701},
year = {2021}
}
备注
This paper was accepted by ICARCV 2020