共享更窄滤波器的卷积网络:带绑定块的更轻量、更好的卷积神经网络
本文介绍了一种新型的基于拼贴的稀疏卷积算法,通过利用计算掩码的稀疏结构,降低了 CNN 中高分辨率计算的复杂度,并应用于基于 LiDAR 的 3D 目标检测中,最终获得了显著的速度提升而无需牺牲准确率。
Jan, 2018
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
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。
Dec, 2017
本文提出了本地二进制卷积(LBC),它是标准卷积神经网络(CNN)中卷积层的有效替代方法。LBC 层由一组固定的稀疏预定义的二进制卷积滤波器、非线性激活函数和一组可学习的线性权重组成,它可以显著节省计算和参数空间。
Aug, 2016
本文提出了一种名为 Diverse Branch Block 的通用卷积神经网络模块,通过结合不同尺度和复杂度的多样分支来丰富特征空间,可提高模型性能,在图像分类、目标检测和语义分割方面取得了优异结果。
Mar, 2021
本文提出一种基于卷积神经网络的综合框架,通过人工模糊训练数据、分支主干集成卷积神经网络模型以及改进型三元组损失函数等技术,有效克服了视频人脸识别中面临的图像模糊、姿态变化和遮挡等问题,并实现了在多个流行视频人脸数据库上的最佳表现。
Jul, 2016
本研究提出了一种基于树的卷积神经网络(TBCNN),用于区分性句子建模。文章通过 constituency trees 或 dependency trees 提取句子的结构特征,并通过最大池聚合这些特征。我们评估了我们的模型在情感分析和问题分类两个领域的表现,TBCNN 的表现均优于以前的最新结果,包括现有的神经网络和专门的特征 / 规则工程方法。我们还努力可视化基于树的卷积过程,来解释我们的模型工作原理。
Apr, 2015
本文提出 Linear Context Transform (LCT) 块,一种基于通道分组和线性变换的轻量级模块,可用于不同主干模型中。与 Squeeze-and-Excitation 块相比,LCT 块在 ImageNet 图像分类和 COCO 数据集目标检测 / 分割中,均获得了更好的性能,且对于不同基线模型均具有较高的一致性表现。
Sep, 2019