用于高效关键点定位的量化密集连接 U-Net
计算机视觉与模式识别
2018-08-13 v2
摘要
本文中，我们提出量化密集连接 U-Nets 用于高效的视觉关键点定位。其思想是相同语义的特征在堆叠的 U-Nets 间被全局复用。这种密集连接大幅改善了信息流，带来定位精度的提升。然而，朴素的密集设计会在训练与测试中都遭遇严重的效率问题。为解决这个问题，我们首先提出 order-K 密集连接以剪除长距离捷径；然后，我们使用内存高效实现显著提升训练效率，并研究了一种可将模型尺寸减半的迭代精炼。最后，为降低训练与测试中的内存消耗与高精度运算，我们进一步将定位网络的权重、输入与梯度量化为低比特数。我们在两项任务中验证我们的方法：人体姿态估计与人脸对齐。结果表明，我们的方法达到了最先进的定位精度，但相比其他基准定位器使用了约少 70% 的参数、约少 98% 的模型尺寸并节省约 75% 的训练内存。代码见 https://github.com/zhiqiangdon/CU-Net。
引用
@article{arxiv.1808.02194,
title = {Quantized Densely Connected U-Nets for Efficient Landmark Localization},
author = {Zhiqiang Tang and Xi Peng and Shijie Geng and Lingfei Wu and Shaoting Zhang and Dimitris Metaxas},
journal= {arXiv preprint arXiv:1808.02194},
year = {2018}
}
备注
ECCV2018