论文笔记：Efficient and Accurate Approximations of Nonlinear Convolutional Networks

最新推荐文章于 2020-04-06 18:05:08 发布
最新推荐文章于 2020-04-06 18:05:08 发布
阅读量1.1k 收藏
点赞数 1
分类专栏： DL
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lebula/article/details/51699810
版权
本文研究了如何通过分解低秩滤波器为多个较小滤波器来加速深度CNN的测试时间计算。文章提出了适用于非线性滤波器的分解方法。假设卷积滤波器在某些维度上具有低秩特性，输入x由于局部相关性也具有低秩性质。通过线性和非线性滤波器（ReLU）的分解，能够减少前向传播的计算复杂度，从而实现加速。文章还讨论了如何确定每层的分解维度以达到预期的加速比，并观察到模型准确度与所有层PCA能量乘积的负相关性。
摘要由CSDN通过智能技术生成
1. Motivation: Decomposing low-rank filters into multiple smaller filters helps to speed up the test-time computation of deep CNNs, and previous works only propose algorithms for linear filters.

2. Approaches
Assumption: conv filters are low rank along certain dimensions; filter input x is also low rank due to local correlations. y (response) therefore has low-rank behavior.  

i. for linear filters:
最低0.47元/天 解锁文章
John2King
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
卷积拆分与分组卷积的典型代表网络的总结
YOULANSHENGMENG的博客
11-05 4313
1，卷积常规参数计算 2 ，什么是卷积拆分 一个多通道的普通2D卷积包含了三个维度，分别是通道，长，宽，如下图(a)。 然后将这个卷积的步骤分解为3个独立的方向[1]，即通道方向，X方向和Y方向，如上图(b)，则具有更低的计算量和参数量。 假如X是卷积核宽度，Y是卷积核高度，C是输入通道数，如果是正常的卷积，那么输出一个通道，需要的参数量是XYC，经过上图的分解后，参数量变为X+Y+C，一般来说C>>X和Y，所以分解后的参数对比之前的参数约为1/(XY...
[模型压缩/加速]-加速卷积计算的三种方法-Depth-wise Conv、Group Conv、Channel-wise Conv
ai_faker的博客
11-03 5578
1.概念简介 假设输入尺寸大小为aa、通道 为n，输出通道数为m，卷积核大小为bb，步长为1.那么 计算量为 FLOPs = a * a * n * m * b * b 参数量为 b * b * n * m 这就是传统卷积的计算方式，可以看到，当a、b、n、m相对较大的时候，造成的计算量是非常大的，所以就有降低模型大小与计算量的需要。 2.Depth-wise Conv 出自论文《MobileNets: Efficient Convolutional Neural Networks for Mobile V
EAST: An Efficient and Accurate Scene Text Detector——译文
zhangwl27的专栏
01-18 1196
  摘要 之前针对场景文本检测的方法在各个基准上都获得前途无量的性能。但是，当处理具有挑战性的场景时，它们都功亏一篑，由于整体效果由算法多个阶段和模块的共同作用决定的。在本文工作种，我们提出了一件简单且很强大的算法，在自然场景中获得更快且准确的文本检测。这个算法在单一的神经网络中，直接预测整幅图中任意方向和四边形的单词或文本行，消除了中间步骤（例如，候选聚合和单词的分割）。算法的简单性允许集中...
【论文翻译】EAST: An Efficient and Accurate Scene Text Detector高效准确的场景文本检测器
Gavid的博客
10-11 1514
文章目录摘要引言 高效准确的场景文本检测器 摘要   先前的场景文本检测方法已经在各种环境中通过了性能基准。但是，在应对挑战性场景时（即使配备深度神经网络模型），因为整体性能取决于管道中多个阶段和组件的相互作用。在这项工作中，我们提出了一个简单但功能强大的管道，该管道可以在自然场景中产生快速而准确的文本检测。 流水线可以通过单个神经网络直接预测完整图像中任意方向和四边形形状的单词或文本行，从而消除...
EAST: An Efficient and Accurate Scene Text Detector 自然场景下的文字识别（原理及代码理解）
zhangwei15hh的博客
04-11 9701
最近在学习自然场景下的文字识别，有一个比较新的模型EAST，所以学习一下。 论文原地址：https://arxiv.org/abs/1704.03155v2 源码：https://github.com/argman/EAST 模型特点及优势 该模型直接预测全图像中任意方向和四边形形状的单词或文本行，消除不必要的中间步骤（例如，候选聚合和单词分割）。通过下图它与一些其他方式的步骤...
论文笔记 - ATOM: Accurate Tracking by Overlap Maximization.pdf
10-13
论文笔记 - ATOM: Accurate Tracking by Overlap Maximization
ALIKE: Accurate and Lightweight Keypoint Detection and Descripto
04-14
"ALIKE: Accurate and Lightweight Keypoint Detection and Descriptor Extraction" ALIKE 是一种高效的关键点检测和描述符提取算法，其特点是具有高准确性和轻量级网络架构。下面是对 ALIKE 的详细介绍： 关键点...
DeepFool: a simple and accurate method to fool deep neural networks.pdf
03-25
DeepFool: a simple and accurate method to fool deep neural networks.pdf
EAST: An Efficient and Accurate Scene Text Detector
myc的博客
01-27 374
这篇论文发表于2017年的CVPR，文章提出了一个高效精确的场景文字检测器。可以快速精确的产生文字追踪。该方法使用单个神经网络直接从整幅图片中预测任意方向的四边形文本行，消去了不必要的中间步骤（候选区域聚合和单词的分割）。该方法注重设计损失函数和神经网络体系结构。实验在包括ICDAR2015,COCO-Text和MSRA-TD500等经典数据集上，验证了提出的算法不管是在精度还是效率上都有着特别好...
East:An Efficient and Accurate Scene Text Detector阅读及应用
黑条纹的白斑马的博客
08-29 392
East是旷视科技2017年发表的论文,针对于场景文本检测。与较早的rcnn,ctpn不同之处个人认为主要在于East以目标检测来做。目标即为检测文本框。因此,East网络也可以轻易的扩展到其他目标检测任务上。我主要在改进版的East基础上做手机号码检测与识别,以及之前的基于yolo的水印检测。 Overview East的检测流程如图所示,类似于maskRCNN,一个分支做像素级语义分割（二分...
EAST 自然场景文本检测实践(EAST: An Efficient and Accurate Scene Text Detector)
热门推荐
大数据挖掘SparkExpert的博客
09-15 2万+
自然场景文字是图像高层语义的一种重要载体，近些年自然场景图像中的文本检测与识别技术越来越引起人们的重视。特别是近年来ICDAR的历界比赛，更是逐渐将这一领域的score不断提升。如http://rrc.cvc.uab.es/?ch=4&com=evaluation&task=1&gtv=1这个主页上看到列出的result结果，都有达到90%多的。此外，一些大公司的AI都提供了这样的接口，如百度AI
EAST: An Efficient and Accurate Scene Text Detector论文阅读
weixin_33728268的博客
11-23 80
为什么80%的码农都做不了架构师？>>> ...
EAST文本检测详解(paper+code)
u010848594的博客
04-06 6187
EAST: An Efficient and Accurate Scene Text Detector 作用：做文本检测，适用于旋转Box和四边形 归类：基于分割的文本检测，使用U-net做特征提取，预测score map和geometry map和angle 1.Backbone： 上图黄色代表特征提取网络，可以是VGG,ResNet，PVANET(作者提到的一个模型)，特征提取模...
目标检测之模型篇（4）【EAST】
点点的博客
11-07 8696
文章目录1. 前言2. 实现3. 结果4. 总结5. 参考资料 1. 前言 这篇文章是我最早读的模型类文章，但是当时还没萌生出写博客复习总结的想法。还好这个想法出现的不晚，现在是第四篇模型类文章，刚好拿来复习一下。当时读的时候就觉得作者字里行间充满了自信（可能是因为EAST模型的效果真的很好吧），EAST这名字又有种东方的神秘气息（误），话不多说，还是开始介绍吧。 EAST全名an Efficie...
神经网络压缩综述
yuanCruise
05-04 1万+
1.研究背景 对模型预测精度无明显影响 压缩模型的参数数量、深度来降低模型空间复杂度 全连接层参数多，模型大小由全连接层主导 不显著提高训练时间复杂度，降低预测时间复杂度（计算量） 卷积层计算量大，计算代价由卷积操作主导 2.方法 2.1.更精细模型的设计 Aggregated Residual Transformations for Deep Neural Networ...
【论文阅读】EAST: An Efficient and Accurate Scene Text Detector
nwpuxhld
04-08 2288
任务：文本检测(可以检测倾斜文本) contributions 提出了End-to-End 的全卷积网络来解决文本检测问题 可以根据特定的应用生成quardrangles或者是rotated boxes两种格式的几何标注 改进了state-of-the-art方法 算法的核心思想：主要思想来自于U-Net, 采用U型结构来得到1、pixel-level的分割预测结果。2、pixel-leve...
EAST installation
jinshuihe~_~
08-29 2199
code地址：https://github.com/argman/EAST1、python3下安转opencv2、安装tensorflowpip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.0.0-cp34-cp34m-linux_x86_6
Region-Based Convolutional Networks for Accurate Object Detection and Segmentation复现
最新发布
07-14
对于 "Region-Based Convolutional Networks for Accurate Object Detection and Segmentation" 这篇论文的复现，我可以给你一些指导。该论文介绍了一种基于区域的卷积神经网络方法，用于准确的物体检测和分割。 ...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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