Seesaw-Net：具有非均匀分组卷积的卷积神经网络
计算机视觉与模式识别
2019-12-03 v5
摘要
本文中，我们致力于提升利用倒残差结构的卷积神经网络的表示能力。基于倒残差结构[Sandler et al. 2018]与交错低秩分组卷积[Sun et al. 2018]的成功，我们重新思考这两种神经网络结构模式，而非 NAS（神经架构搜索）方法[Zoph and Le 2017; Pham et al. 2018; Liu et al. 2018b]，我们引入非均匀逐点分组卷积，其为设计基础模块以提供表示能力与计算代价间更好权衡提供了新的搜索空间。同时，我们提出两种新颖的信息流模式，其将实现多个分组卷积层间跨组信息流，无论有无通道重排/洗牌操作。在图像分类任务上的大量实验表明，我们提出的模型，名为 Seesaw-Net，在有限计算与内存代价下取得了最先进（SOTA）性能。我们的代码将开源并提供预训练模型。
引用
@article{arxiv.1905.03672,
title = {Seesaw-Net: Convolution Neural Network With Uneven Group Convolution},
author = {Jintao Zhang},
journal= {arXiv preprint arXiv:1905.03672},
year = {2019}
}