文章目录
摘要
在PConv的基础上做了二次创新,创新后的模型不仅在精度和速度上有了质的提升,还可以支持Stride为2的降采样。
改进方法简单高效,需要发论文的同学不要错过!
论文指导
PConv在论文中的描述
论文:
下面我们展示了可以通过利用特征图的冗余来进一步优化成本。如图3所示,不同通道之间的特征图具有高度的相似性。这种冗余也在许多其他工作中被涵盖[17,82],但很少有人以简单而有效的方式充分利用它。
具体来说,我们提出了一种简单的PConv来同时减少计算冗余和内存访问。图4的左下角说明了我们的PConv是如何工作的。它只是简单地对部分输入通道应用常规变换以进行空间特征提取,并保持其余通道不变。对于连续或常规的内存访问,我们认为第一个或最后一个连续cp通道是整个特征映射的代表,用于计算。在不损失通用性的情况下,我们认为输入和输出特征图具有相同的通道数。因此,PConv的FLOPs只是