面向量化图卷积网络的 Haar 小波特征压缩
计算机视觉与模式识别
2021-10-12 v1 机器学习
图像与视频处理
摘要
图卷积网络（GCNs）被广泛应用于各类任务，可视为标准卷积神经网络（CNNs）的非结构化版本。如同 CNNs，GCN 对大输入图（如大型点云或网格）的计算代价可能很高，并阻碍这些网络的使用，尤其在计算资源受限的环境中。为降低这些代价，可对 GCN 施加量化。然而，对特征图激进量化会导致性能显著下降。另一方面，Haar 小波变换已知是最有效且高效的图像压缩方法之一。因此，我们提议利用 Haar 小波压缩与轻度量化来替代对特征图激进量化，以减少网络相关的计算与带宽。我们证明，对于从节点分类到点云分类及部件与语义分割的多种问题，该方法以显著优势超越激进特征量化。
引用
@article{arxiv.2110.04824,
title = {Haar Wavelet Feature Compression for Quantized Graph Convolutional Networks},
author = {Moshe Eliasof and Benjamin Bodner and Eran Treister},
journal= {arXiv preprint arXiv:2110.04824},
year = {2021}
}