合并与演化：改进面向移动应用的卷积神经网络
计算机视觉与模式识别
2018-03-28 v1
摘要
紧凑型神经网络倾向于利用“稀疏连接”卷积（如深度卷积和分组卷积）以应用于移动场景。与标准的“全连接”卷积相比，这些卷积在计算上更经济。然而，“稀疏连接”卷积阻碍了组间信息交换，从而导致严重的性能下降。为了解决这个问题，我们提出了两种名为合并（merging）和演化（evolution）的新操作，以利用组间信息。我们的核心思想是用一个窄特征图编码组间信息，然后将生成的特征与原始网络结合以获得更好的表示。利用所提出的操作，我们随后引入了合并与演化（ME）模块，这是一种专为紧凑型网络设计的架构单元。最后，我们基于 ME 模块提出了一系列名为 MENet 的紧凑型神经网络。在 ILSVRC 2012 数据集和 PASCAL VOC 2007 数据集上的大量实验表明，在不同的计算预算下，MENet 始终优于其他 SOTA 紧凑型网络。例如，在 140 MFLOPs 的计算预算下，MENet 在 ILSVRC 2012 top-1 准确率上分别比 ShuffleNet 高 1%、比 MobileNet 高 1.95%，而在 PASCAL VOC 2007 mAP 上则分别高出 2.3% 和 4.1%。
引用
@article{arxiv.1803.09127,
title = {Merging and Evolution: Improving Convolutional Neural Networks for Mobile Applications},
author = {Zheng Qin and Zhaoning Zhang and Shiqing Zhang and Hao Yu and Yuxing Peng},
journal= {arXiv preprint arXiv:1803.09127},
year = {2018}
}
备注
8 pages, 4 figures