中心思想: 分解卷积到两个阶段,首先,减小空间分辨率,然后,再存回需要尺寸。该操作降低了空间域上的采样密度,既独立又与信道域的网络加速方法互补,利用不同的采样率,可以在识别精度和模型复杂性之间进行权衡。作为基本的构建块,空间瓶颈可以用来代替任意一个卷积层,或者是两个卷积层的组合,并通过应用验证了空间瓶颈的有效性。对于深度残差网络,空间瓶颈在常规残差块和信道瓶颈残差块上分别达到2×4×加速比,在识别低分辨率图像时保持了较高的精度,在高分辨率图像识别方面甚至有所提高。
输入 w1 h1 d1
fliter d2 s s d1
输出 w2 h2 d2
FLOP :w2*h2*d1*d2*s*s
三个因素,即核大小(S2)、通道域中的连接数(D1d2)和输出特征映射的分辨率(W2h2),所提出的空间瓶颈模块旨在降低w2h2的因子,它独立于w2h2,因而与w2h2互补。
空间瓶颈模块:
The core idea of decreasing W2H2 is to first reduce the
spatial resolution of the feature map, and then restore it to
the desired size. In practice, we implement Y = f1(X)
as a stride-K convolution, and Z = f2(Y) as a stride-