SCConv:用于特征冗余的空间和通道重构卷积

文章目录

  • 摘要
  • 1、简介
  • 2、方法
    • 2.1、SRU用于空间冗余
    • 2.2. CRU用于通道冗余
    • 2.3、复杂性分析
  • 3、实验
    • 3.1、实验设置
    • 3.3、基于CIFAR的图像分类
    • 3.4、基于ImageNet的图像分类
    • 3.5、物体检测
  • 4、结论

摘要

代码链接:https://github.com/cheng-haha/ScConv
论文链接:https://openaccess.thecvf.com/content/CVPR2023/papers/Li_SCConv_Spatial_and_Channel_Reconstruction_Convolution_for_Feature_Redundancy_CVPR_2023_paper.pdf

卷积神经网络(CNN)在各种计算机视觉任务中取得了显著的性能,但这是以巨大的计算资源为代价的,部分原因是卷积层提取冗余特征。最近的作品要么压缩训练有素的大型模型,要么探索设计良好的轻量级模型。在本文中,我们尝试利用特征之间

你可能感兴趣的:(高质量人类CV论文翻译,重构)