改进前的结果:
改进后的结果,有效涨点,map50这个值涨了2.1%
前言
卷积神经网络 (CNN) 在各种计算机视觉任务中取得了卓越的表现,但这是以巨大的计算资源为代价的,部分原因是卷积层提取了冗余特征。最近的研究要么压缩训练有素的大规模模型,要么探索精心设计的轻量级模型。在本文中,我们尝试利用特征之间的空间和通道冗余进行 CNN 压缩,并提出一种高效的卷积模块,称为 SCConv(空间和通道重构卷积),以减少冗余计算并促进代表性特征学习。提出的 SCConv 由两个单元组成:空间重构单元 (SRU) 和通道重构单元 (CRU)。SRU 采用分离重构方法来抑制空间冗余,而 CRU 采用分裂变换和融合策略来减少通道冗余。此外,SCConv 是一个即插即用的架构单元,可直接用于替换各种卷积神经网络中的标准卷积。实验结果表明,嵌入 SCConv 的模型能够通过减少冗余特征来实现更好的性能,同时显著降低复杂度和计算成本,SCConv理论详解可以参考链接: 论文地址)