简介
相关工作
CondenseNets
在DenseNet的基础上使用1x1的分组卷积效果不好,作者认为这是由使用前面的特征图与当前特征图合并做输入引起的。这与典型的卷积输入有两点不同:1.它们有固定的秩序,2.它们更加多样化。不相关组的特征分配会妨碍特征在网络的再利用。作者对输入的特征图进行随机置换减小了对准确性的负面影响,但在相同的计算成本下比smaller DenseNets准确率低。
在DenseNet中已经证明:将早期的特征作为后期层的输入对特征重用是十分有效的。但是并不是所有的早期特征对随后的层有影响,很难预测哪些特征应该被使用。为了解决这个问题,我们提出了一种在训练中自动学习输入特征分组的方法。学习组结构允许每个滤波器选择它自己最相关的一组输入。