研究人员提出了改进版的残差网络(iResNet)，允许训练超深网络，如404层和3002层，在多个计算机视觉任务中实现更高精度。改进包括信息流动优化、投影快捷方式改进和组卷积模块，不增加计算量。实验结果显示iResNet在相同深度下精度优于原始ResNet。
学习了~
来自阿联酋起源人工智能研究院(IIAI)的研究人员公布了一篇论文Improved Residual Networks for Image and Video Recognition，深入研究了残差网络不能更深的原因，提出了改进版的残差网络(Improved Residual Networks，iResNet)，使得训练超深网络时更容易收敛，在多个计算机视觉任务(图像分类，COCO目标检测，视频动作识别)中精度也更高。
作者成功在ImageNet数据集上训练了404层网络的模型，在CIFAR-10和CIFAR-100数据集上训练了3002层网络的模型，而原始的残差网络在达到上述层数的时候已经无法收敛。
该文作者信息：
因残差网络几乎已经成为所有深度卷积网络的标配，“涨点又不涨计算量”的iResNet的出现，或可影响深远。
算法思想
作者主要从三个方向来思考残差网络的改进：
1)促进信息在网络中的流动(Improved flow of information)
2)减少信息损失(Improved projection shortcut)
3)不增加计算量前提下增强残差模块的学习能力(Grouped building block)
1. Im
最低0.47元/天 解锁文章
2085
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
