CVPRMar, 2020
重新思考深度可分卷积:内核相关性如何提高 MobileNets 的性能
Rethinking Depthwise Separable Convolutions: How Intra-Kernel Correlations Lead to Improved MobileNets
Daniel Haase, Manuel Amthor
TL;DR本研究提出了基于深度轴内部相关性的蓝图分离卷积(BSConv)作为卷积神经网络的高效构建块,它提供了一种更有效的正则卷积分离方法,实验表明 BSConvs 对 MobileNets 和其他基于深度可分离卷积的架构具有明显和一致的改进效果,可提高细粒度数据集的分类准确率多达 13.7 个百分点,而且作为标准架构的替代品,BSConv 变体在 ImageNet 上的表现也比其原始模型的性能提高了多达 9.5 个百分点。