轻量化网络学习 3 squeezenet

文章目录

归纳

为减少参数量,本研究提出使用fire module,它是有压缩层和扩张层组成,压缩层是11卷积,输出尽量减少通道数以便在扩张层有较小的输入,扩张层由部分11卷积和部分3*3卷积构成,压缩层的输出分别输入这两部分卷积,然后分别有各自不同的输出,将输出结果进行cat。本研究为了维持精度,还提出了降采样后置的策略,尽量在大分辨率的情况下进行。

论文

1×1卷积替换3×3卷积
减少3×3卷积的输入特征通道数
以上是保证精度,减少参数量,以下是有限的参数上最大化精度
降采样后缀

在这里插入图片描述
squeeze layer都是由11卷积组成,压缩输出通道数,因为输出要进行下一阶段输入
部分1
1卷积和3*3卷积组成,最后cat
压缩层的卷积核个数要远小于扩张层的卷积核个数,他们都可调

在这里插入图片描述
注意扩张卷积的输入,两部分的输入都是上一层的输出,即压缩部分的输出分别输入到扩展层。但这两部分的输出是不一样的,可以视为超参数,最后进行cat

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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