CVPRMar, 2022

DeltaCNN: 视频稀疏帧差的端到端卷积神经网络推理

PDF
TL;DRDeltaCNN 是一个在视频数据上加速 CNN 网络推断的框架，通过对非重要像素进行截断和跳过相似图像区域以减少计算冗余，使得在实际设置中能够显著地提高效率并在准确度上只有少量差异。
convolutional neural networksvideo datadeltacnnsparse feature updatesreal-time processing
发现论文，激发创造
  • CBinfer：利用帧间局部性加速卷积神经网络对视频流的推断

    采用新算法利用空间 - 时间稀疏性在计算机视觉中取得了高能效，即使在嵌入式设备上不需要重新训练网络，也可在语义分割应用中达到快速且准确的实时推断

    Aug, 2018

  • CBinfer: 基于变化进行的卷积神经网络视频推断

    本论文提出一种新的算法，利用像素变化的时空稀疏性，对静态摄像机录制的视频数据进行卷积神经网络的基于变化的评估，从而实现本地视频数据的处理，其速度比 cuDNN 基准测试平均快 8.6 倍，精度损失不到 0.1％，不需要对网络进行重新训练，而能源效率可达 328 GOp /s/ W。

    Apr, 2017

  • SBNet: 用于快速推断的稀疏块网络

    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

  • 使用稀疏卷积和指导剪枝加速 CNN

    本文提出一种同时实现卷积神经网络的规模经济和速度提升的方法，包括一种有效的一般性稀疏 - 稠密矩阵乘法实现以及一种性能模型，可以预测不同层和不同计算机架构的稀疏水平的最佳值，该方法可在包括移动设备和超级计算机在内的各种处理器上实现 3.1-7.3 倍的卷积速度提升。

    Aug, 2016

  • 卷积神经网络快速实时非重训练稀疏化

    本论文提出了三种无需重新训练即可进行卷积神经网络稀疏化的方法，研究表明，这些方法能够使得最先进的模型权重减少高达 73％（压缩因子为 3.7 倍），而最多只会损失 5％的 Top-5 精度，附加的微调只能获得 8％的稀疏度，这表明我们的快速稀疏化方法是有效的。

    Nov, 2018

  • 高效视频处理的跳跃卷积

    通过 Skip-Convolutions 算法，有效利用视频流的时间冗余，将所有卷积替换成 Skip-Convolutions，可以将计算成本降低 3 至 4 倍，同时不会降低准确性，从而显著提高模型压缩和图像效率。

    Apr, 2021

  • 超越短片段：用于视频分类的深度网络

    本论文提出和评估了几个深度神经网络架构，用于对比以往更长时间段内视频图像信息的组合。通过一些新的方法，包括卷积时间特征池化和循环神经网络结构，该论文指出最佳神经网络在 Sports 1 million 数据集（73.1％对 60.9％）和 UCF-101 数据集中（88.6％对 88.0％）及无附加光流信息（82.6％对 72.8％）上明显性能提高。

    Mar, 2015

  • 基于 CNN 的稀疏数据回归置信度传播

    本研究提出一种代数约束卷积层来解决在卷积神经网络中处理稀疏和不规则间隔输入数据的问题，并且在场景深度完成任务中展示其能力，通过新颖的方法确定置信度并传递到后续层，并提出一个目标函数，同时最小化数据误差并最大化输出置信度，在 KITTI 深度基准上进行了广泛实验并证明了明显的优越性。

    May, 2018

  • 利用和保持卷积网络中的稀疏性的推断、学习和注意力机制

    本文介绍一种利用 CNNs 去处理罕见数据的工具套件，包括直接稀疏卷积、注意力机制避免填充，以及适用于标准学习框架的反向传播算法改进，可以实现比传统密集框架更低的内存足迹和计算时间。

    Jan, 2018

  • 稀疏不变卷积神经网络

    本文提出了一种用于处理稀疏数据的卷积神经网络架构，采用了一种稀疏卷积层，能够在深度上采样中取得优异的实验效果，作者构建了一个新的基准数据集 KITTI benchmark 进行了验证。

    Aug, 2017