ThumbNet:一张缩略图包含识别所需的一切
计算机视觉与模式识别
2020-12-04 v3
摘要
尽管深度卷积神经网络(CNNs)在计算机视觉任务中取得了巨大成功,但其实际应用仍受限于对计算资源的贪婪需求。当前工作多试图通过减少参数或参数引起的计算来压缩网络,忽视了输入图像对系统复杂性的影响。基于 CNN 的输入图像含有大量冗余这一事实,本文提出一个统一框架,称为 ThumbNet,通过使 CNN 模型能在单张缩略图上推理,来同时加速并压缩 CNN 模型。我们提供了三种有效策略来训练 ThumbNet。在此过程中,ThumbNet 学习到一个推理网络,其在小图像上的表现与原始输入网络在大图像上同样好。借助 ThumbNet,我们不仅获得了可大幅降低计算和内存需求的缩略图输入推理网络,还获得了一个可为通用分类任务生成缩略图的图像降采样器。大量实验显示了 ThumbNet 的有效性,并表明即便输入图像被缩小 16 倍,ThumbNet 学到的缩略图输入推理网络仍能充分保持原始输入网络的精度。
引用
@article{arxiv.1904.05034,
title = {ThumbNet: One Thumbnail Image Contains All You Need for Recognition},
author = {Chen Zhao and Bernard Ghanem},
journal= {arXiv preprint arXiv:1904.05034},
year = {2020}
}