HSD-CNN：基于类特定滤波器敏感性分析的分层自分解 CNN 架构
计算机视觉与模式识别
2020-08-06 v2
摘要
传统的卷积神经网络（CNN）在大型领域数据集上训练，因此在有限类别的应用中通常存在过表征且效率低下。将此类大型多类预训练网络转换为小型少类网络的一种有效方式是对其特征图进行分层分解。为缓解此问题，我们提出了一种用于分层自分解 CNN（HSD-CNN）中此类分解的自动化框架，分为四个步骤。HSD-CNN 通过使用类特定滤波器敏感性分析自动导出，该分析量化了特定特征对类预测的影响。分解后的分层网络可直接利用和部署，以获得用于类子集的子网络，并且表明在无需重新训练这些子网络的情况下性能更优。实验结果表明，若使用全部类集合，HSD-CNN 通常不会降低准确率。有趣的是，当在已知类子集上运行时，HSD-CNN 在模型尺寸小得多、所需操作少得多的情况下准确率有所提升。HSD-CNN 流程在 CIFAR10、CIFAR100 和 CALTECH101 数据集上得到验证。我们报告了在 CIFAR100 的 13（4）类场景下准确率分别达 （ ），使用的是在完整数据集上预训练的 VGG-16 网络。在此情况下，与包含全部 100 类特征的基线 VGG-16 相比，所提出的 HSD-CNN 所需参数减少 ，操作节省 。
引用
@article{arxiv.1811.04406,
title = {HSD-CNN: Hierarchically self decomposing CNN architecture using class specific filter sensitivity analysis},
author = {K. Sai Ram and Jayanta Mukherjee and Amit Patra and Partha Pratim Das},
journal= {arXiv preprint arXiv:1811.04406},
year = {2020}
}
备注
Accepted in ICVGIP,2018