用于图像分类的残差特征再利用 Inception 网络
计算机视觉与模式识别
2024-12-30 v1 人工智能
摘要
有效捕获特征信息在计算机视觉领域具有极其重要的意义。随着卷积神经网络 (CNN) 的发展，诸如残差连接和多尺度等概念不断推动着 diverse 深度学习视觉任务中持续的性能提升。在本文中，我们提出了一种新型 CNN 架构，其包含残差特征再利用 inceptions (ResFRI) 或 split-residual 特征再利用 inceptions (Split-ResFRI)。该网络由四种不同结构的卷积组合通过专门设计的信息交互通道连接而成，这些通道用于提取多尺度特征信息并有效增加模型的感受野。此外，根据上述网络结构，Split-ResFRI 可调整输入信息的分段比率，从而减少参数数量并保证模型性能。具体而言，在基于流行视觉数据集的实验中，如 CIFAR10 (\%)、CIFAR100 (\%) 和 Tiny Imagenet (\%)，我们在模型规模相当且未使用额外数据的情况下，获得了与其他现代模型相比的最先进结果。
引用
@article{arxiv.2412.19433,
title = {Residual Feature-Reutilization Inception Network for Image Classification},
author = {Yuanpeng He and Wenjie Song and Lijian Li and Tianxiang Zhan and Wenpin Jiao},
journal= {arXiv preprint arXiv:2412.19433},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2301.00424