轻量级网络 | SQUEEZENET

  • 论文:https://arxiv.org/abs/1602.07360
  • github: https://github.com/forresti/SqueezeNet

简介:在这里插入图片描述

  • SqueezeNet是一个经典分类模型, 主要特点是模型参数量少, 在Imagenet上精度和AlexNet差不多,模型大小是AlexNet的 1 50 \frac{1}{50} 501 之一左右,压缩后可以小于0.5M
  • SqueezeNet主要提出Fire模块,可以有效减少参数量。

Method

  • SqueezeNet主要从卷积核大小、 3 × 3 3\times3 3×3卷积输入通道大小两方面减少参数量,优化下采样方法最大化精度。
    在这里插入图片描述
  • 1 × 1 1\times1 1×1 卷积核可以减少计算量,相对 3 × 3 3\times 3 3×3卷积核,减少9倍的参数量
  • 减少 3 × 3 3\times 3 3×3卷积输入通道,可以减少计算量
  • 通过延迟下采样,作者认为大的feature map有利于提升分类精度。

Fire Module

在这里插入图片描述

  • Filre module由两部分组成:1) sequeeze layer 2) expand layer
  • sequeeze layer主要由 1 × 1 1\times1 1×1卷积输出feature map, 对应method中第一点
  • expand layer 由 1 × 1 1\times1 1×1 3 × 3 3\times3 3×3卷积组合成,两种卷积核输出结果concat做为输出,这样可以有效减少计算量, 对应method中第二点

Model

在这里插入图片描述

  • 模型分为三种, 基础模型最左边,由2个conv,9个fire module, 3个max pool模块组成。中间和最右边一个主要是加入残差块。

实验

  • 参数表
    在这里插入图片描述
  • SequeezeNet 基础模型大小为4.3M
    在这里插入图片描述
  • 不同通道ratio和expand layer中 3 × 3 3\times3 3×3卷积数目比例在imagenet上分类精度。可以看出1.0ratio和37.5时精度最大。 3 × 3 3\times3 3×3卷积核数目所占比例上升导致模型变大,但是到37.5时候就不影响精度。在这里插入图片描述
  • 3个不同SequeezeNet在imagenet上分类精度,可以看出网络2精度最大。top-1达到60.4%,模块大小维持不变。
    在这里插入图片描述

总结

  • SequeezeNet参数量是AlexNet 1 50 \frac{1}{50} 501且在imagenet上维持相等精度,对模型进行压缩可以达小于0.5M(6bit),适用于FPGA和对内存要求小的计算设备,可以适用于目标检测、自动驾驶等领域。
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值