HetConv：基于异构核的深层 CNN 卷积
计算机视觉与模式识别
2019-03-26 v2 人工智能
机器学习
摘要
我们提出了一种新颖的深度学习架构，其中卷积操作利用异构核。所提出的 HetConv（基于异构核的卷积）与标准卷积操作相比减少了计算量（FLOPs）和参数数量，同时仍保持表征效率。为展示我们所提卷积的有效性，我们在标准卷积神经网络（CNN）架构（如 VGG \cite{vgg2014very} 和 ResNet \cite{resnet}）上给出了广泛的实验结果。我们发现，将这些架构中的标准卷积滤波器替换为我们的 HetConv 滤波器后，在保持（有时甚至提高）精度的同时，速度获得了基于 3 倍到 8 倍 FLOPs 的改善。我们还将其与组/深度可分离卷积进行比较，表明它以显著更高的精度实现了更多的 FLOPs 缩减。
引用
@article{arxiv.1903.04120,
title = {HetConv: Heterogeneous Kernel-Based Convolutions for Deep CNNs},
author = {Pravendra Singh and Vinay Kumar Verma and Piyush Rai and Vinay P. Namboodiri},
journal= {arXiv preprint arXiv:1903.04120},
year = {2019}
}
备注
Accepted in CVPR 2019