本文内容:在不同位置添加DualConv
目录
论文简介
卷积神经网络(CNN)架构通常对内存和计算要求很高,这使得它们在硬件资源有限的嵌入式系统中不可行。
我们提出了双卷积核(DualConv)来构建轻量级深度神经网络。DualConv结合3 × 3和1 × 1卷积核同时处理相同的输入特征映射通道,并利用群卷积技术高效排列卷积滤波器。DualConv可以在任何CNN模型中使用,如VGG-16和ResNet-50进行图像分类,你只看一次(YOLO)和R-CNN进行对象检测,或完全卷积网络(FCN)进行语义分割。在这项工作中,我们对DualConv进行了广泛的分类测试,因为这些网络架构构成了许多其他任务的主干。我们还在YOLO-V3上测试了DualConv的图像检测功能。实验结果表明,结合我们的结构创新,DualConv显著降低了深度神经网络的计算成本和参数数量,同时在某些情况下惊人地达到了比原始模型略高的精度。我们使用DualConv进一步减少了轻量级MobileNetV2的参数数量,减少了54%,在CI