本文介绍了Multi-Scale Dense Convolutional Networks（MSDNet）用于高效预测。MSDNet解决了早期退出CNN的问题，即底层特征未充分利用和不同层特征尺度差异。通过在不同层设置分类出口并利用多尺度特征，MSDNet实现了根据图像难度和计算资源限制进行适时预测。实验结果显示，MSDNet在任何时间和批量预算分类中都表现出优越的性能。
Multi-Scale Dense Convolutional Networks for Efficient Prediction -多尺度卷积网络
Gao Huang Cornell University ，Danlu Chen Fudan University，Tianhong Li Tsinghua University， Felix Wu Cornell University Published as a conference paper at ICLR 2018
problem
左边的图像更容易被分类
问题解决思路：
简单图像仅采用浅层的速度较快的网络来分类,难分类图像再采用深层的速度慢一点的网络来分类。
做法：
一张图像先过简单网络，如果输出概率能有较大把握判断该图像的类别，那么就直接输出这个类别。如果输出概率没有较大把握判断该图像的类别（比如概率小于某个阈值），那么就把这张图像再过一下深层网络。
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
