分享一篇ECCV 2020 的论文:Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation
论文:
https://arxiv.org/abs/2003.08866
代码:
https://github.com/zdaxie/SpatiallyAdaptiveInference-Detection
0.动机
使用CNN模型解决多种计算机任务时,往往通过增加网络的计算量来提高模型性能,性能的提高以庞大的计算量为代价,一定程度上妨碍了模型在资源受限的设备上部署。因此有很多学者着重于研究减少CNN的计算量,同时保持高性能。
在推理时,只对输入的部分特征进行计算是一种减少网络计算量有效的方法。由于feature map具有一定的稀疏性,可以通过预测feature map中值为0的坐标,只计算值不为0处的feature map的值以减少计算量。
相比于上面的方法,作者提出了一种更高效的方法:将要计算的feature map看作随机场(probability field),基于它们的概率随机采样feature map位置并计算它们的值,使用插值方法重建feature map其余位置处的值。
1.随机采样-插值模块
1.1 总体结构
设CNN中一个卷积层的输入feature map为 ,输出feature map为 ,可用如下公式表示卷积操作:
上式中的 和 分别表示feature map的高度和宽度, 和 分别表示输入feature map和输出feature map的通道数, 表示权重;,表示feature map中的元素在空间上的坐标集合; 用于构建进行卷积操作的窗口,比如对于 的卷积,