论文:ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks(ICCV 2019)
代码:https://github.com/DingXiaoH/ACNet
文章目录
- 动机
- 非对称卷积
- 融合方式
- 相关实验
- 参考文献
动机
现在一般网络中 3 ∗ 3 3*3 3∗3 卷积核使用最为广泛,为增强特征提取效率,将 3 ∗ 3 3*3 3∗3 的卷积核拆分成几个不同形状卷积核的形式进行训练,推理阶段将其融合为一个 3 ∗ 3 3*3 3∗3 卷积,没有带来额外的计算量,但是提取特征的能力更强。这依赖于卷积操作的可叠加性:


非对称卷积
训练阶段
- 将卷积核分成三个部分(如下图),称为非对称卷积(Asymmetric Convolution),以增强提取特征的能力
- 横向卷积和纵向卷积可以提升网络对图像翻转的鲁棒性

测试阶段
- 卷积核完成了融合,在测试时与普通卷积核一样并不增加计算量

融合方式

测试阶段在卷积核融合前BN比融合后BN的效果更好,统一进行BN弱化了不同卷积之间的特点。
相关实验



参考文献
【1】ACNet——涨点且不增加耗时的技巧
【2】33卷积+13卷积+3*1卷积=白给的精度提升 | ICCV 2019
【3】ICCV 2019 ACNet实现说明 (PaddlePaddle Version)
最后
以上就是大力橘子最近收集整理的关于ACNet的全部内容,更多相关ACNet内容请搜索靠谱客的其他文章。
发表评论 取消回复