SdcNet：一种计算高效的用于目标识别的 CNN
图像与视频处理
2018-05-08 v2 计算机视觉与模式识别
摘要
从海量数据中提取特征用于目标识别是一项具有挑战性的任务。卷积神经网络可用于应对该挑战，但其常需要大量计算资源。本文提出一种计算高效的卷积模块，称为 SdcBlock，并基于它引入了用于目标识别任务的卷积网络 SdcNet。在所提模块中，应用由适当数据管理支持的优化连续深度可分离卷积，以生成包含高密度且更多样特征信息的向量。超参数可轻松调整，以在不同计算限制下适应多种任务，且不会显著损害性能。实验表明，SdcNet 在 CIFAR-10 上仅以 55M Flops 实现了 5.60% 的错误率，并使用 103M Flops 的适中计算量进一步将错误率降至 5.24%。SdcNet 预期的计算效率已得到证实。
引用
@article{arxiv.1805.01317,
title = {SdcNet: A Computation-Efficient CNN for Object Recognition},
author = {Yunlong Ma and Chunyan Wang},
journal= {arXiv preprint arXiv:1805.01317},
year = {2018}
}
备注
5 pages,3 figures, conference