模式识别与人工智能
2025年4月3日 星期四   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2019, Vol. 32 Issue (3): 237-246    DOI: 10.16451/j.cnki.issn1003-6059.201903005
论文与报告 最新目录| 下期目录| 过刊浏览| 高级检索 |
基于特征图切分的轻量级卷积神经网络
张雨丰1,郑忠龙1,刘华文1,向道红2,何小卫1,李知菲1,何依然1,KHODJA Abd Erraouf1
1.浙江师范大学 计算机科学与工程系 金华 321004
2.浙江师范大学 数学系 金华 321004
A Lightweight Convolutional Neural Network Architecture with Slice Feature Map
ZHANG Yufeng1, ZHENG Zhonglong1, LIU Huawen1, XIANG Daohong2, HE Xiaowei1, LI Zhifei1, HE Yiran1, KHODJA Abd Erraouf1
1.Department of Computer Science, Zhejiang Normal University, Jinhua 321004
2.Department of Mathematics, Zhejiang Normal University, Jinhua 321004

全文: PDF (1057 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
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.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
张雨丰
郑忠龙
刘华文
向道红
何小卫
李知菲
何依然
KHODJA abd Erraouf
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    
Abstract:The capacities of mobile and embedded devices are quite inadequate for the requirement of the storage capacity and computational resources of convolutional neural network models. Therefore, a lightweight convolutional neural network architecture, network with slice feature map, named SFNet, is proposed. The concept of slice block is introduced. By performing the “slice” processing on the output feature map of the network, each feature map segment is respectively sent to a convolution kernel of different sizes for convolution operation, and then the obtained feature map is concatenated. A simple 1×1 convolution is utilized to fuse the channels of the feature map. The experiments show that compared with the state-of-the-art lightweight convolutional neural networks, SFNet has fewer parameters and floating-point operations, and higher classification accuracy with the same number of convolution kernels and input feature map channels. Compared with the standard convolution, in the case of a significant reduction in network complexity, the classification accuracy is same or higher.
Key wordsConvolutional Neural Network    Lightweight Network    Slice Block    Feature Slice Map    Group Convolution   
收稿日期: 2018-11-15     
基金资助:国家自然科学基金项目(No.61672467,61572443,11871438)资助
通讯作者: 郑忠龙,博士,教授,主要研究方向为模式识别、机器学习、图像处理等.E-mail:zhonglong@zjnu.edu.cn.   
作者简介: 张雨丰,硕士研究生,主要研究方向为深度学习.E-mail:527353785@qq.com.
刘华文,博士,教授,主要研究方向为机器学习、数据挖掘等.E-mail:hwliu@zjnu.edu.cn.
向道红,博士,副教授,主要研究方向为统计机器学习、稳健统计、深度学习等.E-mail:daohongxiang@zjnu.cn.
何小卫,硕士,教授,主要研究方向为机器学习、图像视频处理等.E-mail:jhhxw@zjnu.edu.cn.
李知菲,硕士,讲师,主要研究方向为模式识别、深度学习、虚拟现实等.E-mail:zjnulzf@163.com.
何依然,硕士研究生,主要研究方向为机器学习.E-mail:583587931@qq.com.
KHODJA Abd Erraouf, 博士研究生,主要研究方向为计算机视觉、图像处理等.E-mail:201710800010@zjnu.edu.cn.
引用本文:   
张雨丰,郑忠龙,刘华文,向道红,何小卫,李知菲,何依然,KHODJA abd Erraouf. 基于特征图切分的轻量级卷积神经网络[J]. 模式识别与人工智能, 2019, 32(3): 237-246. ZHANG Yufeng, ZHENG Zhonglong, LIU Huawen, XIANG Daohong, HE Xiaowei, LI Zhifei, HE Yiran, KHODJA Abd Erraouf. A Lightweight Convolutional Neural Network Architecture with Slice Feature Map. , 2019, 32(3): 237-246.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.201903005      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2019/V32/I3/237
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn