结合深度残差卷积的深度可分离卷积

边缘计算的最新进展使研究人员能够优化各种深度学习架构以部署在边缘设备上。本研究旨在优化 Xception 架构，这是计算机视觉应用中最流行的深度学习算法之一。Xception 架构在目标检测任务中非常有效。然而，它伴随着显著的计算成本。Xception 的计算复杂度有时阻碍其在资源受限的边缘设备上部署。为此，我们提出了一种面向边缘设备的优化 Xception 架构，旨在实现轻量化高效部署。我们将 Xception 架构的深度可分离卷积与深度残差卷积相结合，开发出适用于边缘设备的小型高效模型。所得架构减少了参数量、内存占用和计算负载。在 CIFAR-10 目标检测数据集上评估了所提架构。实验评估结果还显示，所提架构参数规模更小、训练时间更短，同时性能优于 Xception 架构。