深度学习论文: MicroNet: Improving Image Recognition with Extremely Low FLOPs及其PyTorch实现
深度学习论文: MicroNet: Improving Image Recognition with Extremely Low FLOPs及其PyTorch实现
MicroNet: Improving Image Recognition with Extremely Low FLOPs
PDF: https://arxiv.org/pdf/2108.05894.pdf
1 概述
MicroNet的提出主要的遵循以下两个设计原则:
- 降低网络节点(神经元)之间的连通性而不降低网络的宽度
- 使用更复杂的非线性激活函数来弥补通性网络深度的减少所带来的精度损失
2 Micro-Factorized Convolution
Micro-Factorized convolution 将MobileNet中的point-wise卷积以及depth-wise卷积分解为低秩矩阵,从而使得通道数目和输入输出的连通性得到一个良好的平衡。
2-1 Micro-Factorized Pointwise Convolution
提出了一种微分解卷积(MF-Conv)来将Pointwise卷积分解成两组卷积层。其中,组数G适应于通道C的数量为:
R是通道减少率。在给定的计算成本下,这个等式在通道数和节点连接性之间实现了很好的权衡。数学上,Pointwise卷积矩阵由一个块矩阵(G×G块)近似,其块的rank为1。这保证了最小的路径冗余和最大的输入覆盖率 ,从而使网络能够为给定的计算预算实现更多的通道。(如上图左)
2-2 Micro-Factorized Depthwise Convolution
对于depth-wise卷积的分解,就是将一个KK的卷积核分解为两个K1和1*K的向量。计算复杂度从O(k2Ck^{2}Ck2C) 降为 O(kCkCkC)。(如上图中)
2-3 Lite Combination
先用depthwise进行expand(通道数增加),再使用pointwise进行squeeze(通道压缩),这样可以节省更多的计算资源用到depthwise上,而非通道融合的pointwise上。(如上图右)
3 Dynamic Shift-Max
Dynamic Shift-Max 使用一种新的激活函数,通过最大化输入特征图与其循环通道偏移之间的多重动态融合,来增强非线性特征。之所以称之为动态是因为,融合过程的参数依赖于输入特征图。
Dynamic Shift-Max(DY-ShiftMax),加强了由微分解创建的组之间的连接。是一种对微分解pointwise卷积的补充,因为微分解pointwise卷积更加关注组内的交互。
其中ai,jk(x)a^{k}_{i,j}(x)ai,jk(x)是一个取决于输入x的动态权重。它由平均池化,两个完全连接的层和一个Sigmoid层得到(类似SENet)。
DY-Shift-Max就实现了两种形式的非线性:1)输出J组的K个融合的最大值;2)通过一个动态参数ai,jk(x)a^{k}_{i,j}(x)ai,jk(x)来加权每个融合。
第一个非线性是对侧重于每一组内的连通性的微分解pointwise卷积的补充,从而加强了每一组之间的连接 。第二个非线性使网络能够根据输入x来调整这种增强功能 。这两种操作增加了网络的表示能力,弥补了减少的层数所固有的损失。
4 MicroNet
4-1 Micro-Blocks
三个不同方式组合的Micro-Blocks
4-2 Architectures
不同参数和计算量的MicroNet实例化结构
深度学习论文: MicroNet: Improving Image Recognition with Extremely Low FLOPs及其PyTorch实现相关推荐
- MicroNet: Improving Image Recognition with Extremely Low FLOPs(速读)
先简单读个abstract占个位(之后会更新) 网络模型具有较低计算量(MFLOPs),但是低开销的网络通常性能表现不会很好.因此本文设计了计算量(FLOPs)超级无敌少的图像识别网络MicroNet ...
- 【读点论文】MicroNet: Towards Image Recognition with Extremely Low FLOPs,在极高限制下的轻量化网络
MicroNet: Towards Image Recognition with Extremely Low FLOPs Abstract 这篇论文旨在以极低的计算成本解决性能大幅下降的问题.提出了微 ...
- MicroNet: Improving Image Recognition with Extremely Low FLOPs--Yunsheng Li
0.摘要 1.引入 2.相关工作 3.Micro-Factorized Convolution 3.1 Micro-Factorized Pointwise Convolution 3.2 Micro ...
- 深度学习论文: LRNnet: a light-weighted network for real-time semantic segmentation及其PyTorch实现
深度学习论文: LRNnet: a light-weighted network with efficient reduced non-local operation for real-time se ...
- 深度学习论文: TPH-YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head 及其PyTorch实现
深度学习论文: TPH-YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Dro ...
- 深度学习论文: ICNet for Real-Time Semantic Segmentation on High-Resolution Images及其PyTorch实现
ICNet: ICNet for Real-Time Semantic Segmentation on High-Resolution Images (2018) PDF: https://arxiv ...
- 深度学习论文阅读图像分类篇(三):VGGNet《Very Deep Convolutional Networks for Large-Scale Image Recognition》
深度学习论文阅读图像分类篇(三):VGGNet<Very Deep Convolutional Networks for Large-Scale Image Recognition> Ab ...
- 深度学习论文阅读图像分类篇(五):ResNet《Deep Residual Learning for Image Recognition》
深度学习论文阅读图像分类篇(五):ResNet<Deep Residual Learning for Image Recognition> Abstract 摘要 1. Introduct ...
- 深度学习论文随记(二)---VGGNet模型解读-2014年(Very Deep Convolutional Networks for Large-Scale Image Recognition)
深度学习论文随记(二)---VGGNet模型解读 Very Deep Convolutional Networks forLarge-Scale Image Recognition Author: K ...
最新文章
- python利器的使用-图文详解python开发利器之ulipad的使用实践
- C和C++循环链表的设计与实现
- (作者:无名`)svn提交代码到本地仓库
- 计算机设置成一个网络,同一个路由器上的电脑怎么设置成局域网连网打 – 手机爱问...
- linux统计某个字符个数,Linux统计一个文件中特定字符个数的方法
- oracle12漏洞补丁下载,linux oracle 11g 漏洞补丁升级
- python适合自学编程吗-对没有编程基础的人来说,直接学Python入门IT合适吗?
- 顶级的CSS和Javascript动画框架
- top命令显示内容的详细解释
- Mac Pro 使用 ll、la、l等ls的别名命令
- 连载:面向对象葵花宝典:思想、技巧与实践(32) - LSP原则
- 转:短小强悍的JavaScript异步调用库
- matlab跟踪控制程序,机器人轨迹跟踪控制方法研究(含MATLAB程序)
- spring学习笔记 (6)使用mybatis操作数据库增删改查
- 史上首次,45岁边缘计算大牛蒋濛当选普渡大学校长!
- Good Bye 2018 ABCD题解
- 腾讯云 linux pptpd 搭建 和遇到的部分问题解决
- 关于 *.csproj: 找不到此项目类型所基于的应用程序 的解决方案
- php函数阅读,[PHP源码阅读]strtolower和strtoupper函数
- python制作查询网页_Python制作简单的网页爬虫
热门文章
- 小蚂蚁学memcache笔记—php操作memcache(3)
- Panasonic松下法拉电容超级电容即将停产,如何寻找替代品?
- Serdes高速收发器和CDR技术
- 【MM小贴士】SCAT-批量删除预制发票的学习
- 流放者柯南自建服务器 linux,流放者柯南服务器搭建教程 流放者柯南虚拟机建服务器方法(4)_下载服务端_游侠网...
- ANSYS热分析以及开关电器理论
- NPDP产品经理小知识:创意工具-PESTLE分析
- FreeRTOS MPU使系统更健壮!
- 《初级会计实务》考试学习分享之第一章 ——会计概述(下)【考试大纲】
- 初级会计实务(2020年)——第二章 资产