CSPNet通过Cross Stage Partial Network设计，减少了20%的计算量，同时提升了CNN的学习能力和精度。作者分析了计算量大、内存占用高的原因，并提出CSPDenseNet和EFM模块，适用于目标检测任务。CSPNet不仅适用于DenseNet和ResNet，还在实际应用中表现出优于PeleeNet和DarkNet53的性能。
CV 经典主干网络 (Backbone) 系列: CSPNet
作者：Chien-Yao Wang 等
发表时间：2019
Paper 原文： CSPNet: A New Backbone that can Enhance Learning Capability of CNN
开源代码：Cross Stage Partial Networks
该篇是 CV 经典主干网络 (Backbone) 系列 下的一篇文章。
作者认为目前的网络结构虽然效果好，但是都是建立在较大的计算量上的，这阻碍了算法应用 ，特别是在移动设备等算力受限的平台上，这个问题就显得尤为突出了。作者因此想提出一个计算量小效果还好的网络结构。具体来说作者希望：
- 增强CNN的学习能力
- 减少计算量
- 降低内存占用
1. 网络结构
1.1 理论
作者通过分析发现，计算量大的一个原因是因为网络优化过程中的梯度信息重复造成的，为了解决这一问题，作者提出了 CSPNet(Cross Stage
Partial Network)，它可以实现更加丰富的梯度组合
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
