由可视化引导的高效 CNN 架构设计
计算机视觉与模式识别
2022-07-22 v1
摘要
现代高效卷积神经网络（CNN）总是使用深度可分离卷积（DSC）与神经架构搜索（NAS）来减少参数量与计算复杂度。但网络的一些固有特性被忽视了。受特征图与 NN（N1）卷积核可视化的启发，本文引入若干准则以进一步提升参数效率与推理速度。基于这些准则，我们名为 \textit{VGNetG} 的参数高效 CNN 架构以约 30%50% 的参数量减少，取得了比先前网络更高的精度与更低的延迟。我们的 VGNetG-1.0MP 在 ImageNet 分类数据集上以 0.99M 参数取得 67.7% 的 top-1 精度，以 1.14M 参数取得 69.2% 的 top-1 精度。此外，我们证明边缘检测器可替代可学习的深度卷积层来混合特征，方法是将 NN 核替换为固定的边缘检测核。我们的 VGNetF-1.5MP 在使用额外高斯核时分别取得 64.4%（-3.2%）与 66.2%（-1.4%）的 top-1 精度。
引用
@article{arxiv.2207.10318,
title = {Efficient CNN Architecture Design Guided by Visualization},
author = {Liangqi Zhang and Haibo Shen and Yihao Luo and Xiang Cao and Leixilan Pan and Tianjiang Wang and Qi Feng},
journal= {arXiv preprint arXiv:2207.10318},
year = {2022}
}
备注
ICME 2022