RBCN：用于提升 1-bit DCNN 性能的校正二值卷积网络
计算机视觉与模式识别
2019-09-09 v2
摘要
二值化卷积神经网络（BCNNs）被广泛用于提升深度卷积神经网络（DCNNs）在移动和 AI 芯片应用中的内存与计算效率。然而，当前 BCNNs 无法充分挖掘其对应全精度模型的潜力，导致二者间存在显著性能差距。本文提出校正二值卷积网络（RBCNs），通过结合全精度核与特征图在统一框架中校正二值化过程，以优化 BCNNs。具体而言，我们使用 GAN 在其对应全精度模型指导下训练 1-bit 二值网络，显著提升了 BCNNs 的性能。校正卷积层具有通用性与灵活性，可轻松嵌入现有 DCNNs 如 WideResNets 和 ResNets。大量实验证明了所提 RBCNs 优于最先进 BCNNs 的性能。特别地，我们的方法在目标跟踪任务上展现出强泛化能力。
引用
@article{arxiv.1908.07748,
title = {RBCN: Rectified Binary Convolutional Networks for Enhancing the Performance of 1-bit DCNNs},
author = {Chunlei Liu and Wenrui Ding and Xin Xia and Yuan Hu and Baochang Zhang and Jianzhuang Liu and Bohan Zhuang and Guodong Guo},
journal= {arXiv preprint arXiv:1908.07748},
year = {2019}
}
备注
Published in IJCAI2019