A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

SDChannelNets: Extremely Small and Efficient Convolutional Neural Networks SDChannelNets: redes neurais convolucionais extremamente pequenas e eficientes

JianNan ZHANG, JiJun ZHOU, JianFeng WU, ShengYing YANG

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

As redes neurais convolucionais (CNNS) têm uma forte capacidade de compreender e julgar imagens. No entanto, os enormes parâmetros e computação do CNNS limitaram a sua aplicação em dispositivos com recursos limitados. Nesta carta, usamos a ideia de compartilhamento de parâmetros e conexão densa para compactar os parâmetros na direção do canal do kernel de convolução, reduzindo bastante o número de parâmetros do modelo. Com base nisso, projetamos redes convolucionais compartilhadas e densas por canal (SDChannelNets), compostas principalmente por camada de convolução por canal SD separável em profundidade. A vantagem do SDChannelNets é que o número de parâmetros do modelo é bastante reduzido sem ou com pouca perda de precisão. Também introduzimos um hiperparâmetro que pode equilibrar efetivamente o número de parâmetros e a precisão de um modelo. Avaliamos o modelo por nós proposto por meio de duas tarefas populares de reconhecimento de imagem (CIFAR-10 e CIFAR-100). Os resultados mostraram que SDChannelNets tinham precisão semelhante a outras CNNs, mas o número de parâmetros foi bastante reduzido.

Publicação
IEICE TRANSACTIONS on Information Vol.E102-D No.12 pp.2646-2650
Data de publicação
2019/12/01
Publicitada
2019/09/10
ISSN online
1745-1361
DOI
10.1587/transinf.2019EDL8120
Tipo de Manuscrito
LETTER
Categoria
Biocibernética, Neurocomputação

autores

JianNan ZHANG
  Hangzhou Dianzi University
JiJun ZHOU
  Hangzhou Dianzi University
JianFeng WU
  Hangzhou Dianzi University
ShengYing YANG
  Hangzhou Dianzi University

Palavra-chave