利用循环矩阵训练用于视频分类的紧凑深度学习模型
计算机视觉与模式识别
2018-10-09 v2
摘要
在现实场景中，模型精度很难是唯一的考量因素。大型模型消耗更多内存且计算更为密集，这使得它们难以训练和部署，尤其是在移动设备上。在本文中，我们基于线性代数与深度学习交叉领域的最新成果，该成果表明对大型权重矩阵施加结构约束可用于缩减模型规模。我们提出了基于最先进网络架构（如 Deep Bag-of-Frames、NetVLAD 和 NetFisherVectors）的非常紧凑的视频分类模型。随后我们使用大型 YouTube-8M 视频分类数据集进行了充分的实验。正如我们将展示的，循环 DBoF 嵌入在模型大小与精度之间实现了极佳的权衡。
引用
@article{arxiv.1810.01140,
title = {Training compact deep learning models for video classification using circulant matrices},
author = {Alexandre Araujo and Benjamin Negrevergne and Yann Chevaleyre and Jamal Atif},
journal= {arXiv preprint arXiv:1810.01140},
year = {2018}
}
备注
The 2nd Workshop on YouTube-8M Large-Scale Video Understanding, ECCV 2018