残差压缩VGG16
计算机视觉与模式识别
2017-05-10 v1
摘要
深度学习已然开启了机器学习的新时代，计算机视觉也不例外。卷积神经网络已应用于图像分类、分割和目标检测。尽管近期取得进展，我们仍处于非常早期的阶段，尚未就深层设计、小尺寸和短训练时间的网络架构最佳实践达成共识。在这项工作中，我们提出了一种非常深的神经网络，由16个卷积层组成，使用改编自SQUEEZENET模型的Fire模块进行压缩。我们还主张添加残差连接以帮助抑制退化。该模型可应用于几乎每一个完全融入残差学习的神经网络模型。这一提出的模型Residual-Squeeze-VGG16 (ResSquVGG16) 在大规模MIT Places365-Standard场景数据集上训练。在我们的测试中，该模型在Top-1和Top-5验证精度上表现与预训练的VGG16模型相似，同时训练时间减少23.86%，尺寸减小88.4%。在我们的测试中，该模型从头开始训练。
引用
@article{arxiv.1705.03004,
title = {Residual Squeeze VGG16},
author = {Hussam Qassim and David Feinzimer and Abhishek Verma},
journal= {arXiv preprint arXiv:1705.03004},
year = {2017}
}