动态分辨率网络

Jun, 2021

Dynamic Resolution Network

Mingjian Zhu, Kai Han, Enhua Wu, Qiulin Zhang, Ying Nie...

TL;DR本文提出了一种动态分辨率网络（DRNet），它可以根据输入图像的大小动态地确定输入分辨率，从而优化了神经网络的计算负担，并在 ImageNet 上进行了实验验证。

Abstract

Deep convolutional neural networks (CNNs) are often of sophisticated design with numerous learnable parameters for the accuracy reason. To alleviate the expensive costs of deploying them on mobile devices, recent works have made huge efforts for excavating redundancy in pre-defined arc

convolutional neural networks input resolution dynamic-resolution network computational complexity imagenet

发现论文，激发创造

动态网络图像超分辨率

本文介绍了一种动态网络（DSRNet）用于图像超分辨率，它包含了残差增强块、宽增强块、特征细化块和构建块。DSRNet 不仅能提取更准确的图像超分辨率信息，还能适用于复杂场景，并具有更轻便的结构。

Oct, 2023

高效推理的分辨率自适应网络

本论文提出一种新颖的分辨率自适应网络（RANet），通过利用输入样本的空间冗余性，有效地降低了深度网络的计算成本，同时在 CIFAR-10、CIFAR-100 和 ImageNet 数据集上展示了其性能优越性。

Mar, 2020

深金字塔残差网络

探索使用逐渐增加特征映射维度的方式，提高深度残差神经网络的泛化能力，并提出了一种新的残差单元，增强了其分类准确性；实验表明，与原始的残差网络相比，该网络结构具有更好的泛化能力。

Oct, 2016

运行时高效图像识别的分辨率可切换网络

提出一种单卷积神经网络通用的方法，在推理时可以切换图像分辨率，从而可以选择满足各种计算资源限制的运行速度。用该方法训练的网络称为分辨率切换网络（RS-Nets）。通过多分辨率蒸馏和知识蒸馏，RS-Nets 在各种分辨率下的准确性得到了提高。

Jul, 2020

用于密集预测任务的密集连接多扩张卷积网络

本文介绍了一种新的用于高分辨率密集预测的卷积神经网络架构，称为 D3Net，其采用了多分辨率学习和逐渐膨胀的感受野来同时建模局部和全局模式，避免了深度网络中的深度耗散问题，并在图像和音频处理任务中取得了优越的性能。

Nov, 2020

学习学习参数化分类网络以扩展输入图像

通过利用元学习器生成不同输入尺度的主要网络的卷积权重并针对每个尺度维护私有的批量归一化层，同时利用知识蒸馏技术优化不同输入分辨率下的网络预测，我们学习的元网络可以动态地调节主要网络以适用于任意尺寸的输入图像，表现出相较于单一训练模型更好的准确性和执行效率。经过在 ImageNet 数据集上广泛的实验验证，我们的方法在自适应推断过程中实现了更好的准确性与效率权衡。

Jul, 2020

扩张残差网络

本文介绍了一种通过采用 dilated residual networks 提高图像分类准确性及在物体定位和语义分割等下游应用中的效果，同时探究了这种方法引入的网格伪影问题并提出了解决方法。

May, 2017

IamNN：用于高效图像分类的迭代自适应移动神经网络

本研究提出基于 ResNet 架构的参数共享和自适应计算时间的网络，该网络比原始网络更小，能够根据输入图像的复杂性调整计算成本。

Apr, 2018

基于异构动态卷积神经网络的图像超分辨率

通过异构动态卷积网络来实现图像超分辨率，该网络能够有效地提取上下文信息和结构信息以改善图像超分辨效果。

Feb, 2024

DyNet: 动态卷积加速卷积神经网络

本文研究了如何提高卷积神经网络的效率，提出了一种基于动态卷积方法的新型卷积操作，在多种 CNN 结构上进行了测试，并表明该方法可以在减少计算开销的同时保持性能，从而达到了更高的效率。

Apr, 2020