文献笔记(101)动态神经网络

  • 题目:Thanks for Nothing: Predicting Zero-Valued Activations with Lightweight Convolutional Neural Networks
  • 时间:2020
  • 会议:ECCV
  • 研究机构:以色列理工学院

1 abstract & introduction

根据输出特征图的相邻值,动态预测输出特征图是否为零值,从而减少了卷积运算的次数。

Motivation: 来自特征图的空间相关性
在这里插入图片描述

2 方法

在这里插入图片描述
如图所示,首先对输出特征图进行采样,计算部分的输出特征值,即 X o [ I s ] X_o[I_s] Xo[Is],并将其送进零激活预测器(ZAP)中,计算得到还没计算的那些输出特征图 X o [ I t ] X_o[I_t] Xo[It]中,哪些是零,以此减少这部分的计算量。

能减少多少的计算量呢? 上界取决于采样的比例
α = ∣ I s ∣ w o h o c o \alpha = \frac{|I_s|}{w_o h_o c_o} α=wohocoIs

在这里插入图片描述
ZAP的实现方法: 主要依靠深度可分解卷积实现,降低了计算量


  • 题目:Dynamic Group Convolution for Accelerating Convolutional Neural Networks
  • 时间:2020
  • 会议:ECCV
  • 研究机构:芬兰奥卢大学/华南理工

1 introduction

本篇论文的主要贡献: 动态组卷积

  • 相比于普通卷积减少了计算量
  • 相比于静态组卷积针对不同图像增加了灵活度

在这里插入图片描述
上图横坐标为输入通道,纵坐标是对某一特定输出通道的贡献度,可以发现输入通道对不同图片的输出通道贡献度不同,直接上组卷积有损失

在这里插入图片描述
对此改进的动态组卷积如上图所示,其实和普通卷积很像,只是输入通道可以动态选择,相当于动态剪枝了。其中的决策网络利用了全局池化层

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值