91久久久在线,国产成人综合精品,欧美日本亚洲视频

GSDCPeleeNet：基于PeleeNet的高效轻量化卷积神经网络

2021年电子技术应用第3期

倪伟健，秦会斌

杭州电子科技大学电子信息学院新型电子器件与应用研究所，浙江杭州310018

摘要： 卷积神经网络在各个领域都发挥着重要的作用，尤其是在计算机视觉领域，但过多的参数数量和计算量限制了它在移动设备上的应用。针对上述问题，结合分组卷积方法和参数共享、密集连接的思想，提出了一种新的卷积算法Group-Shard-Dense-Channle-Wise。利用该卷积算法，在PeleeNet网络结构的基础上，改进出一种高效的轻量化卷积神经网络——GSDCPeleeNet。与其他卷积神经网络相比，该网络在具有更少参数的情况下，几乎不损失识别精度甚至识别精度更高。该网络选取1×1卷积层中卷积核信道方向上的步长s作为超参数，调整并适当地选取该超参数，可以在网络参数量更小的情况下，拥有更好的图像分类效果。

關鍵詞： 图像分类卷积神经网络轻量化密集连接参数共享

中圖分類號： TN911.73；TP399
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.200844
中文引用格式： 倪偉健，秦會斌. GSDCPeleeNet：基于PeleeNet的高效輕量化卷積神經網絡[J].電子技術應用，2021，47(3)：22-26，30.
英文引用格式： Ni Weijian，Qin Huibin. GSDCPeleeNet：efficient lightweight convolutional neural based on PeleeNet[J]. Application of Electronic Technique，2021，47(3)：22-26，30.

GSDCPeleeNet：efficient lightweight convolutional neural based on PeleeNet

Ni Weijian，Qin Huibin

Institute of New Electronic Devices and Applications，School of Electronic Information，Hangzhou Dianzi University， Hangzhou 310018，China

Abstract： Convolutional neural network plays an important role in various fields, especially in the field of computer vision, but its application in mobile devices is limited by the excessive number of parameters and computation. In view of the above problems, a new convolution algorithm, Group-Shard-Dense-Channle-Wise, is proposed in combination with the idea of grouping convolution and parameter sharing and dense connection. Based on the PeleeNet network structure, an efficient lightweight convolutional neural network, GSDCPeleeNet, is improved by using the convolution algorithm. Compared with other convolutional neural networks, this network has almost no loss of recognition accuracy or even higher recognition accuracy under the condition of fewer parameters. In this network, the step size s in the channel direction of convolution kernel in the 1×1 convolutional layer is selected as the super parameter. When the number of network parameters is smaller, better image classification effect can be achieved by adjusting and selecting the super parameter appropriately.

Key words : image classification；convolutional neural network；lightweight；dense connectivity；parameter sharing

0 引言

隨著深度學習理論的提出和硬件設備計算速度的不斷突破，卷積神經網絡在近年來得以迅速發展。2012年，AlexNet^[1]在ImageNet大規模視覺識別挑戰賽中獲得了圖像分類冠軍。之后，為了提高網絡模型的準確率，研究人員不斷地加深卷積網絡的深度，相繼提出了性能更加優越的卷積神經網絡，如VGG16^[2]、GoogLeNet^[3]和DenseNet^[4]等。

這些網絡準確率普遍較高，但是有著非常復雜的模型和很深的層次，參數量十分巨大。在實際生活的應用中，模型往往需要在資源有限的嵌入式設備和移動設備上運行。因此，研究人員開始著手研究，并且相繼提出了更高效的輕量級卷積神經網絡。它們保持了網絡的性能，大大減少了模型的參數量，從而減少計算量，提升了模型速度。

曠視科技的ShuffleNet在ResNet^[5]單元上進行了改進，有兩個創新的地方：逐點分組卷積和通道混洗^[6]。WANG R J等提出的PeleeNet是一種輕量級網絡，它在DenseNet基礎上進行了改進和創新，主要有五個方面的結構改進^[7]。ZHANG J N等提出了一種卷積核及其壓縮算法，通過這種卷積方法，ZHANG J N等發明了輕量卷積神經網絡SDChannelNets^[8]。

可以看出，上述輕量卷積神經網絡均存在一定不足。在使用分組卷積時，為了解決分組卷積導致的信息丟失問題，需要增加額外的操作。在運用1×1卷積時，會導致1×1卷積的參數量在網絡總參數量中占據大部分。通過分析，這些網絡需要通過調整相應的超參數來提高網絡識別精度。這些操作往往會大大增加網絡模型參數量。

為了解決這個不足，本文結合參數共享、密集連接的卷積方法和分組卷積，基于PeleeNet網絡，提出了輕量級卷積神經網絡架構GSDCPeleeNet。適當調節超參數，在損失較小準確度甚至擁有更高準確度的情況下，減小了模型的參數量。

本文詳細內容請下載:http://www.tom3567.com/resource/share/2000003403

作者信息:

倪偉健，秦會斌

(杭州電子科技大學電子信息學院新型電子器件與應用研究所，浙江杭州310018)

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容