滤波器共享：面向体卷积参数的高效学习
计算机视觉与模式识别
2016-12-09 v1
摘要
典型的卷积神经网络(CNN)具有数百万参数，需要大量标注数据来训练。在训练数据难以获取的医学应用中，这些复杂的机器学习模型难以训练。本文中，我们提出一种在训练期间通过利用所学习CNN滤波器中观察到的显著冗余来降低CNN固有复杂度的方法。我们的方法依赖于找到一小组滤波器和混合系数，在训练时即推导出每个卷积层中的各个滤波器，从而减少待训练参数数量。我们考虑CT图像中3D肺结节分割问题，并证明我们的方法在仅用少量训练样本情况下取得良好结果的有效性。
引用
@article{arxiv.1612.02575,
title = {Filter sharing: Efficient learning of parameters for volumetric convolutions},
author = {Rahul Venkataramani and Sheshadri Thiruvenkadam and Prasad Sudhakar and Hariharan Ravishankar and Vivek Vaidya},
journal= {arXiv preprint arXiv:1612.02575},
year = {2016}
}
备注
6 pages, 2 figures. Published in NIPS 2016 workshop on Machine Learning for Health, December 2016, Barcelona