顺序聚合卷积网络

现代深度网络通常实现某种形式的捷径连接以缓解优化困难。然而，我们观察到此类网络拓扑改变了深度网络的性质。在许多方面，这些网络的行为类似于聚合的宽网络。因此我们于更细的架构层面利用捷径连接的聚合本质，并将其置于宽卷积层内部。最终得到一种顺序聚合卷积（SeqConv）层，其通过按顺序聚合不同深度的特征，结合了宽与深表示的优点。所提SeqConv可作为常规宽卷积层的直接替换，从而可便捷地集成至任意骨干网络。我们将SeqConv应用于广泛采用的骨干网络，包括ResNet与ResNeXt，并在公开基准数据集上进行了图像分类实验。我们基于ResNet、模型规模与ResNet-50相当的网络的性能轻松超越2.35$\times$更大的ResNet-152，而基于ResNeXt的模型在为相似模型复杂度网络设立的ImageNet分类上刷新了state-of-the-art精度。我们工作的代码与预训练模型公开于 https://github.com/GroupOfAlchemists/SeqConv。