MBS：卷积神经网络模型压缩的宏块缩放技术

CVPRSep, 2018

MBS：卷积神经网络模型压缩的宏块缩放技术

MBS: Macroblock Scaling for CNN Model Reduction

Yu-Hsun Lin, Chun-Nan Chou, Edward Y. Chang

TL;DR本文提出了一种宏块缩放算法 (MBS)，可适用于各种 CNN 体系结构，以减小其模型大小。通过与 ImageNet 和 CIFAR-10 的经验研究表明，MBS 可以进一步减小某些已经紧凑的 CNN 模型的模型大小，同时即使是超深的 ResNet-101 和 ResNet-1202 也可以减小其模型大小，而准确度降低可忽略不计。MBS 的简洁高效性，其与任何 CNN 模型一起使用的灵活性以及与任何深度的模型一起使用的可扩展性使其成为 CNN 模型大小缩小的有吸引力的选择。

Abstract

In this paper we propose the macroblock scaling (MBS) algorithm, which can be applied to various cnn architectures to reduce their model size. MBS adaptively reduces each CNN macroblock depending on its information redu

macroblock scaling algorithm cnn architectures model size reduction information redundancy flops

发现论文，激发创造

Mini-batch Serialization: CNN 训练中的层间数据重用

介绍了一种名为 MBS CNN 训练方法以及 WaveCore CNN 训练加速器，它们通过在芯片缓冲区内优化复用而不是访问外部内存来减少内存访问并分别降低 DRAM 流量 75％和系统能量 26％。

Sep, 2018

多尺度统一网络图像分类

在这项工作中，我们基于中心核对齐（CKA）分析对卷积神经网络（CNNs）的模型进行了全面的分层调查，结果表明较低的层对输入图像尺度变化更敏感。在此基础上，我们提出了多尺度统一网络（MUSN），由多尺度子网络、一个统一网络和尺度不变约束组成，以获得从多尺度输入中提取特征的能力，并将低级特征在深层进行统一，提取高层语义特征。大量在 ImageNet 和其他尺度多样的数据集上进行的实验表明，MUSN 在模型性能和计算效率方面取得了显著的改进。特别是在多尺度情景下，MUSN 的准确率提高了 44.53％，FLOPs 降低了 7.01-16.13％。

Mar, 2024

通过网络削减学习高效卷积网络

本文提出了一种名为 “网络瘦身” 的新颖学习方案，可以通过引入通道级稀疏性，简化深度卷积神经网络，降低了其计算成本，减小了运行时内存占用，同时不影响准确度。我们进行了多组实验，证明了该方案在各种图像分类数据集上具有较好的效果。

Aug, 2017

基于测量边界的速率自适应图像压缩感知网络

本文提出了一种基于测量上界理论的率自适应图像压缩感知网络 (MB-RACS) 框架，其旨在根据传统测量上界理论自适应确定每个图像块的采样率。此外，我们还提出了一种多阶段率自适应采样策略，通过前几次采样获得的信息顺序调整采样率分配，并使用牛顿法和二分搜索技术解决该问题。与现有方法相比，实验证明了所提出的 MB-RACS 方法的优越性，并且实验证据还强调了我们提出框架中每个模块的有效性。

Jan, 2024

基于块的图像压缩感知的多通道深度网络

本文提出了一种多通道深度网络，通过利用块间相关性来开发基于块的图像压缩感知，从而在消除阻塞伪影的同时实现了块级逼近，巨大地提高了图像恢复的性能。

Aug, 2019

MAMNet：基于多路径自适应调制的图像超分辨率网络

本文提出了一种新型的多路径自适应调制网络（MAMNet）来解决图像超分辨率问题，该网络可以更好地适应不同类型图像的特征，相比其他特征调制方法，具有更好的性能和参数效率，并在实验中表现出超过大部分最先进方法的性能。

Nov, 2018

MDCN: 多尺度密集交叉网络用于图像超分辨率

本研究提出了一种新的多尺度稠密交叉网络，采用了逐层特征抽取和渐进上采样的方法，并通过通道适应性校准和动态重建模块来实现多因素超分辨率图像重建的提高。

Aug, 2020

MSSNet：用于单幅图像去模糊的多尺度级联网络

本文研究单幅图像去模糊方法，使用深度学习技术设计了 Multi-Scale-Stage Network 方法，该方法通过三个创新技术组件来改进之前粗糙 - 精细方案，提高了去模糊质量、缩小了网络规模和加速了计算速度，并在评估中展现出最先进的性能。

Feb, 2022

MnasNet：面向移动端平台感知的神经结构搜索

本文提出了一种自动化的移动神经结构搜索（MNAS）方法，该方法将模型延迟明确地纳入主要目标，以便搜索可以识别满足准确性和延迟之间良好平衡的模型，实验结果表明，该方法在多个视觉任务中始终优于现有的移动卷积神经网络模型，并且实现了更好的 mAP 质量。

Jul, 2018

TMSR：用于超分辨率的小型多路径卷积神经网络

本研究提出了一种名为 TMSR 的小型多路径 CNN 超分辨率方法，主要关注在 5k 参数以下的小型 CNN 超分辨率方法，其主要贡献在于改进的多路径学习和自定义激活函数。实验结果表明，TMSR 在 5k 参数以下与相关作品相比，获得了有竞争力的图像质量（即 PSNR 和 SSIM）。

Dec, 2023