TreeNet：一种轻量级的一次聚合卷积网络
计算机视觉与模式识别
2021-10-01 v2
摘要
深度卷积网络（CNN）的架构历经多年演进，变得愈发准确与快速。然而，在有限计算预算下设计旨在获得最佳精度的合理网络结构仍具挑战性。本文提出一种因其外形而得名的 Tree 模块，它在扩展一次聚合（OSA）模块的同时更加轻量且灵活。具体而言，Tree 模块将 OSA 中的每个 Conv 层替换为浅层残差块（SRB）与 Conv 层的堆叠。其中 Conv 层负责维度提升，SRB 则输入至下一步。如此，在聚合相同数量后续特征图时，Tree 模块具有更深的网络结构且模型复杂度更低。此外，Tree 模块还加入了残差连接与高效通道注意力（ECA）以进一步提升网络性能。基于 Tree 模块，我们构建了称为 TreeNet 的高效骨干模型。TreeNet 具有与 ResNet 相似的网络架构，可灵活替换各类计算机视觉框架中的 ResNet。我们在常用基准上全面评估 TreeNet，包括用于分类的 ImageNet-1k、用于目标检测的 MS COCO 以及实例分割。实验结果表明 TreeNet 更高效，且优于当前最先进的骨干方法。
引用
@article{arxiv.2109.12342,
title = {TreeNet: A lightweight One-Shot Aggregation Convolutional Network},
author = {Lu Rao},
journal= {arXiv preprint arXiv:2109.12342},
year = {2021}
}