Dec, 2017

利用通道级局部卷积提高卷积神经网络的效率的 clcNet

PDF
TL;DR本文提出了一种名为 CLC 的广义卷积操作，即使用输入通道的子集来计算输出通道，该操作包括深度卷积和分组卷积，这可以用于构建新的卷积块 CLC Block，从而建立更高效的 CNN 模型 clcNet，并在 ImageNet-1K 数据集上进行测试。
depthwise convolutiongrouped convolutionchannel local convolutioncomputational efficiencyclcnet
发现论文，激发创造
  • 深度神经网络的交错分组卷积

    本文介绍了名为交织组卷积神经网络（IGCNets）的简单和模块化神经网络架构，讨论了其在提高计算效率方面的优势，并通过对标准基准测试的实证结果证明其更有效地利用参数和计算复杂度。

    Jul, 2017

  • 大规模可学习的图卷积网络

    通过使用可学习的图卷积层 (LGCL) 和子图训练方法，本论文解决了卷积神经网络在处理通用图像数据时的困难，提高了基于节点分类任务的准确率和效率。

    Aug, 2018

  • IGCV3: 用交错低秩分组卷积实现高效的深度神经网络

    本文提出了一种名为 IGCV3 的卷积神经网络模型，它采用了结构稀疏低秩内核的组合，并在超通道上引入松散的互补条件，以提高网络性能在 CIFAR、ImageNet 图像分类和 COCO 目标检测方面的表现，优于现有的 IGCV2 和 MobileNetV2。

    Jun, 2018

  • 更复杂的网络，更少的推理复杂度

    这篇论文提出了一种新的卷积神经网络结构，通过添加低成本协作层加速了推理过程，实验结果表明，平均加速率为 32％，性能下降极小。

    Mar, 2017

  • 动态组卷积用于加速卷积神经网络

    本文提出一种动态组卷积 (Dynamic Group Convolution, DGC) 方法，它不仅保留了原有网络结构，还能够根据输入图像动态选择连接哪些输入通道，以实现对图像语义特征的自适应提取，有效提高了卷积神经网络的计算效率和图像分类性能。

    Jul, 2020

  • 全可学习群卷积来加速深度神经网络

    本文提出了一种完全可学习的分组卷积模块 (FLGC)，可嵌入到任何深度神经网络中加速处理，其自动学习训练阶段中的组结构，与现有的预定义、两步或迭代策略相比具有更好的结构，并能与深度可分离卷积结合提高性能。

    Mar, 2019

  • 上下文门控卷积

    该论文提出了一种基于全局上下文动态调整卷积层权重的上下文门控卷积（CGC）方法，旨在更好地提取本地模式和生成区分特征，经过大量实验，该方法在图像分类、动作识别和机器翻译等任务上均有显著的性能提升。

    Oct, 2019

  • 基于通道卷积的紧凑高效卷积神经网络

    本文介绍了使用通道卷积压缩深度模型的方法，这种方法在 CNN 中替换特征图之间的稠密连接为稀疏连接，从而构建轻量级 CNN。ChannelNets 使用三种通道卷积的实例，并通过对 ImageNet 数据集进行实验来证明了其在参数和计算成本上的显著性降低，且不影响准确性。

    Sep, 2018

  • 基于可学习的三维分组卷积的空间光谱高光谱分类

    本文提出了一种基于改进的 3D-DenseNet 模型和轻量级模型设计的可学习组卷积网络 (LGCNet)，用于加速在具有严格延迟要求和受限计算能力的边缘设备上模型的部署，该网络通过引入针对输入通道和卷积核分组的动态学习方法改善了组卷积的不足，从而实现灵活的分组结构和更好的表示能力。此外，LGCNet 在印度藤条，帕维亚大学和 KSC 数据集上取得了速度和精度方面的进展，优于主流的高光谱图像分类方法。

    Jul, 2023

  • 视觉识别的深度协同学习

    本研究使用深度协同学习（DCL）方法，将卷积层分解成两个小的卷积层，然后将它们在每个空间位置处融合，以减少计算复杂度和模型复杂度，同时提高在各种视觉识别任务中的准确性，减少模型参数 (在 AlexNet 中减少 16.82%)。

    Mar, 2017