学习用于深度卷积神经网络的3D滤波图
机器学习
2018-01-08 v1
摘要
本文提出了一种新颖且紧凑的深度卷积神经网络（CNNs）架构，称为3D滤波图卷积神经网络（3D-FM-CNNs）。3D-FM-CNN的卷积层学习滤波器的一个紧凑表示，称为3D滤波图（3D-FilterMap），而非传统卷积层中一组独立的滤波器。滤波器从3D滤波图中以重叠的3D子矩阵形式提取，邻近滤波器间共享权重，这些滤波器与输入进行卷积以生成3D-FM-CNN卷积层的输出。由于权重共享机制，当3D滤波图生成相同数量的滤波器时，其参数规模远小于传统卷积层中待学习的滤波器参数规模。我们的工作从根本上不同于从已学习的大型网络进行压缩的文献，因为我们是从零开始直接学习一个小网络。实验结果表明，3D-FM-CNN通过学习紧凑的3D滤波图享有较小的参数空间，同时取得了与基线CNNs相当的性能，后者学习的滤波器数量与相应3D滤波图所生成的滤波器数量相同。
引用
@article{arxiv.1801.01609,
title = {Learning $3$D-FilterMap for Deep Convolutional Neural Networks},
author = {Yingzhen Yang and Jianchao Yang and Ning Xu and Wei Han},
journal= {arXiv preprint arXiv:1801.01609},
year = {2018}
}