深度神经网络的交错组卷积
计算机视觉与模式识别
2017-07-19 v2
摘要
本文提出一种简单模块化的神经网络架构，称为交错组卷积神经网络（IGCNets）。其核心在于一种新颖的构建块，即一对连续的交错组卷积：主组卷积和次组卷积。这两种组卷积互补：(i) 主组卷积中每个分区上的卷积是空间卷积，而次组卷积中每个分区上的卷积是逐点卷积；(ii) 同一次分区中的通道来自不同的主分区。我们讨论了一个代表性优势：在保持参数数量和计算复杂度不变的情况下，比常规卷积更宽。我们还表明，常规卷积、带求和融合的组卷积以及 Xception 块都是交错组卷积的特例。在标准基准 CIFAR-、CIFAR-、SVHN 和 ImageNet 上的实证结果表明，我们的网络在参数和计算复杂度的使用上更高效，且精度相似或更高。
引用
@article{arxiv.1707.02725,
title = {Interleaved Group Convolutions for Deep Neural Networks},
author = {Ting Zhang and Guo-Jun Qi and Bin Xiao and Jingdong Wang},
journal= {arXiv preprint arXiv:1707.02725},
year = {2017}
}
备注
To appear in ICCV 2017