- 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
2 方法
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=wohoco∣Is∣
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
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
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