XSepConv：极致分离卷积
计算机视觉与模式识别
2020-02-28 v1 图像与视频处理
摘要
深度可分离卷积已逐渐成为现代高效神经网络不可或缺的操作，且近来已在其上应用更大的卷积核尺寸（≥5）。本文提出一种新颖的极致分离卷积块（XSepConv），它将空间可分离卷积融合进深度可分离卷积，以进一步降低大卷积核的计算开销与参数量。此外，采用一个额外的 2×2 深度可分离卷积并配合改进的对称填充策略，以补偿空间可分离卷积带来的副作用。XSepConv 旨在作为大卷积核原始深度可分离卷积的高效替代。为验证这一点，我们将 XSepConv 用于最先进的架构 MobileNetV3-Small，并在四个极具竞争力的基准数据集（CIFAR-10、CIFAR-100、SVHN 和 Tiny-ImageNet）上进行大量实验，表明 XSepConv 确实能在精度与效率之间取得更好的权衡。
引用
@article{arxiv.2002.12046,
title = {XSepConv: Extremely Separated Convolution},
author = {Jiarong Chen and Zongqing Lu and Jing-Hao Xue and Qingmin Liao},
journal= {arXiv preprint arXiv:2002.12046},
year = {2020}
}