PydMobileNet：采用金字塔深度可分离卷积的MobileNets改进版本
计算机视觉与模式识别
2018-11-20 v1
摘要
近年来，卷积神经网络（CNNs）在各种计算机视觉任务中展现出卓越性能。然而，不断增长的模型规模给在实时应用以及移动和嵌入式视觉应用中采用它们带来了挑战。许多工作试图构建尽可能小的网络，同时仍具有可接受的性能。最先进的架构是MobileNets。它们使用深度可分离卷积（DWConvolution）替代标准卷积以减小网络规模。本文描述了MobileNet的改进版本，称为金字塔移动网络（Pyramid Mobile Network）。与MobileNet中仅对DWConvolution使用核大小不同，所提出的网络使用金字塔核大小以捕获更多空间信息。所提出的架构在两个极具竞争力的物体识别基准数据集（CIFAR-10、CIFAR-100）上进行了评估。实验表明，与MobileNet以及其他最先进网络相比，所提出的网络取得了更好的性能。此外，在微调准确率、延迟和模型规模之间权衡方面，它比MobileNets更灵活。
引用
@article{arxiv.1811.07083,
title = {PydMobileNet: Improved Version of MobileNets with Pyramid Depthwise Separable Convolution},
author = {Van-Thanh Hoang and Kang-Hyun Jo},
journal= {arXiv preprint arXiv:1811.07083},
year = {2018}
}