调制二值团网络
计算机视觉与模式识别
2019-02-28 v1
摘要
尽管卷积神经网络（CNNs）在各种计算机视觉任务中取得了有效性，但此类网络对存储的显著需求阻碍了其在计算受限设备上的部署。在本文中，我们提出了一种名为调制二值团网络（Modulated Binary Cliquenet, MBCliqueNet）的新型紧凑可移植深度学习网络，旨在基于二值化滤波器提升 CNNs 的可移植性，同时取得与 Resnet 等全精度 CNNs 相当的性能。在 MBCliqueNet 中，我们引入了一种新颖的调制操作来近似未二值化滤波器，并给出了一种初始化方法以加速其收敛。我们通过参数共享减少了由调制操作引起的额外参数。结果表明，与全精度模型相比，所提出的 MBCliqueNet 能将卷积滤波器的所需存储空间减少至少 32 倍，并取得优于其他最先进二值化模型的性能。更重要的是，在我们所使用的数据集上，我们的模型甚至比 Resnet 等某些全精度模型表现更好。
引用
@article{arxiv.1902.10460,
title = {Modulated binary cliquenet},
author = {Jinpeng Xia and Jiasong Wu and Youyong Kong and Pinzheng Zhang and Lotfi Senhadji and Huazhong Shu},
journal= {arXiv preprint arXiv:1902.10460},
year = {2019}
}
备注
5 pages, 3 figures, 2 tables