ESPNetv2：一种轻量、高能效且通用的卷积神经网络
计算机视觉与模式识别
2019-04-02 v3
摘要
我们提出了一种轻量、高能效且通用的卷积神经网络 ESPNetv2，用于建模视觉与序列数据。我们的网络采用分组逐点卷积与深度可分离空洞卷积，以更少的 FLOPs 和参数量从较大的有效感受野中学习表征。我们网络在四项不同任务上的性能得到评估：(1) 目标分类，(2) 语义分割，(3) 目标检测，以及 (4) 语言建模。在这些任务（包括 ImageNet 上的图像分类与 PenTree bank 数据集上的语言建模）上的实验表明，我们的方法优于当前最先进的方法。在 PASCAL VOC 与 Cityscapes 数据集上，我们的网络比 ESPNet 精度高出 4-5%，且 FLOPs 减少 2-4 倍。在 MS-COCO 目标检测上，与 YOLOv2 相比，ESPNetv2 以 6 倍更少的 FLOPs 取得了 4.4% 更高的准确率。我们的实验表明，ESPNetv2 比现有的包括 ShuffleNets 与 MobileNets 在内的高效方法更为节能。我们的代码已开源，可在 https://github.com/sacmehta/ESPNetv2 获取。
引用
@article{arxiv.1811.11431,
title = {ESPNetv2: A Light-weight, Power Efficient, and General Purpose Convolutional Neural Network},
author = {Sachin Mehta and Mohammad Rastegari and Linda Shapiro and Hannaneh Hajishirzi},
journal= {arXiv preprint arXiv:1811.11431},
year = {2019}
}
备注
Accepted at CVPR'19