基于特征图切分的轻量级卷积神经网络

• 作者: KHODJA Abd Erraouf 何依然 何小卫 刘华文 向道红 张雨丰 李知菲 郑忠龙
• 来源期刊: 模式识别与人工智能
• 学科: 工学
• 关键词: 卷积神经网络 轻量级网络 切分模块 特征图切分 组卷积
• 年，卷（期）: 2019,（3）
• 所属期刊栏目: 论文与报告
• 页码范围: 237-246
• 页数: 10页
• 分类号: TP183
• 字数: 6944字
• 语种: 中文
• DOI: 10.16451/j.cnki.issn1003-6059.201903005

摘要

卷积神经网络模型所需的存储容量和计算资源远超出移动和嵌入式设备的承载量,因此文中提出轻量级卷积神经网络架构(SFNet).SFNet架构引入切分模块的概念,通过将网络的输出特征图进行"切分"处理,每个特征图片段分别输送给不同大小的卷积核进行卷积运算,将运算得到的特征图拼接后由大小为1×1的卷积核进行通道融合.实验表明,相比目前通用的轻量级卷积神经网络,在卷积核数目及输入特征图通道数相同时,SFNet的参数和计算量更少,分类正确率更高.相比标准卷积,在网络复杂度大幅降低的情况下,切分模块的分类正确率持平甚至更高.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李知菲	浙江师范大学计算机科学与工程系	14	94	5.0	9.0
2	郑忠龙	浙江师范大学计算机科学与工程系	29	106	6.0	9.0
3	何小卫	浙江师范大学计算机科学与工程系	30	230	7.0	14.0
4	刘华文	浙江师范大学计算机科学与工程系	15	93	6.0	9.0
5	张雨丰	浙江师范大学计算机科学与工程系	1	1	1.0	1.0
6	向道红	浙江师范大学数学系	1	1	1.0	1.0
7	何依然	浙江师范大学计算机科学与工程系	1	1	1.0	1.0