DualConv：用于轻量级深度神经网络的双卷积核
计算机视觉与模式识别
2022-02-16 v1 机器学习
摘要
CNN架构通常对内存和计算需求较高，难以在硬件资源受限的嵌入式系统上部署。我们提出双卷积核（DualConv）用于构建轻量级深度神经网络。DualConv结合33与11卷积核对相同输入特征图通道同时处理，并利用分组卷积技术高效排布卷积滤波器。DualConv可用于任何CNN模型，如用于图像分类的VGG-16和ResNet-50、用于目标检测的YOLO和R-CNN，或用于语义分割的FCN。本文中我们广泛测试了DualConv在分类上的表现，因这些网络架构构成了许多其他任务的骨干。我们还在YOLO-V3上测试了DualConv的图像检测。实验结果表明，结合我们的结构创新，DualConv显著降低了深度神经网络的计算成本和参数量，同时在部分情况下出人意料地取得了略高于原模型的精度。我们利用DualConv进一步将轻量级MobileNetV2在CIFAR-100数据集上的参数量减少54%，精度仅下降0.68%。当参数量不是问题时，DualConv在同一数据集上将MobileNetV1的精度提升4.11%。此外，DualConv显著提升了YOLO-V3目标检测速度，并在PASCAL VOC数据集上将其精度提高4.4%。
引用
@article{arxiv.2202.07481,
title = {DualConv: Dual Convolutional Kernels for Lightweight Deep Neural Networks},
author = {Jiachen Zhong and Junying Chen and Ajmal Mian},
journal= {arXiv preprint arXiv:2202.07481},
year = {2022}
}
备注
Accepted for publication in IEEE TNNLS