用于卷积神经网络压缩的滤波基学习
计算机视觉与模式识别
2019-12-24 v2
摘要
基于卷积神经网络(CNN)的方法已在许多计算机视觉任务（包括图像分类与超分辨率）中取得最先进的性能。通常这些方法的成功伴随着因堆叠深层卷积层而产生的数百万参数代价。此外，单层卷积也使用了相当大量的滤波器，这加剧了当前方法的参数负担。因此，在本文中，我们试图通过学习卷积层中滤波器的基来减少CNN的参数数量。在前向传播中，所学基用于近似原始滤波器，并用作卷积层的参数。我们在图像分类和图像超分辨率基准上针对多种CNN架构验证了所提方案，并在参数缩减与精度保持方面优于现有的最先进方法。
引用
@article{arxiv.1908.08932,
title = {Learning Filter Basis for Convolutional Neural Network Compression},
author = {Yawei Li and Shuhang Gu and Luc Van Gool and Radu Timofte},
journal= {arXiv preprint arXiv:1908.08932},
year = {2019}
}
备注
Code is available at https://github.com/ofsoundof/learning_filter_basis. ICCV 2019