采用不相关特征包池化的高效 CNN
计算机视觉与模式识别
2023-06-16 v1
摘要
尽管 CNN 性能优越，但因其通常计算开销大，在低算力设备上的部署仍受限。高复杂度的关键原因之一在于卷积层与全连接层之间的连接，这通常要求大量参数。为缓解该问题，近期提出了特征包（BoF）池化。BoF 学习一个字典，用于编制输入的直方图表示。本文中，我们在 BoF 池化基础上提出一种方法，通过确保所学字典条目非冗余来提升其效率。我们提出一个基于字典条目两两相关性的额外损失项，其补充标准损失以显式正则化模型学习更具多样性与丰富性的字典。所提策略产生了 BoF 的高效变体，并在不增加任何额外参数的情况下进一步提升其性能。
引用
@article{arxiv.2209.10865,
title = {Efficient CNN with uncorrelated Bag of Features pooling},
author = {Firas Laakom and Jenni Raitoharju and Alexandros Iosifidis and Moncef Gabbouj},
journal= {arXiv preprint arXiv:2209.10865},
year = {2023}
}
备注
6 pages, 2 Figures