双重卷积神经网络
机器学习
2016-11-01 v1
摘要
构建具有参数共享的大模型是深度卷积神经网络 (CNNs) 成功的主要原因。本文提出双重卷积神经网络 (DCNNs)，通过进一步探索这一思想显著提升了CNN的性能。不同于分配一组独立学习的卷积滤波器，DCNN维护若干滤波器组，其中每组内的滤波器是彼此的平移版本。实际上，DCNN可通过两步卷积过程轻松实现，这得到大多数现代深度学习库的支持。我们在三个图像分类基准上进行了广泛实验：CIFAR-10、CIFAR-100 和 ImageNet，表明DCNN持续优于其他竞争架构。我们还验证了在CNN任意深度用双重卷积层替换卷积层均能提升其性能。此外，展示了DCNN的各种设计选择，表明DCNN可服务于双重目的：构建更准确的模型和/或减少内存占用而不牺牲准确性。
引用
@article{arxiv.1610.09716,
title = {Doubly Convolutional Neural Networks},
author = {Shuangfei Zhai and Yu Cheng and Weining Lu and Zhongfei Zhang},
journal= {arXiv preprint arXiv:1610.09716},
year = {2016}
}
备注
To appear in NIPS 2016