GhostNet论文阅读

最新推荐文章于 2024-04-27 14:57:37 发布

coder_zrx

最新推荐文章于 2024-04-27 14:57:37 发布

阅读量1.5k

点赞数

CC 4.0 BY-SA版权

分类专栏：神经网络目标检测计算机视觉

本文链接：https://blog.youkuaiyun.com/qq_37705280/article/details/105574199

GhostNet是一种深度网络架构，通过引入廉价的线性变换替代部分传统卷积运算，减少计算量和参数数量，同时保持模型的表达能力。Ghost模块是其核心，通过内在卷积和线性变换生成相似的Feature Map。实验表明，GhostNet在CIFAR-10、ImageNet和MS-COCO等数据集上表现出有效性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

GhostNet：More Features from Cheap Operations.

1、主要思想

深度网络处理过的特征有一部分冗余，这类特征可以通过更廉价的方式获取，不一定非要传统代价较为高昂的运算方式。也就是说，它主要针对网络Feature Map通道间存在的相似性，引入通道间的线性变换来替代原始的传统CNN运算，在减少网络参数和计算量的同时，保持Feature Map原本的通道数和不同通道间的相似性，从而不至于影响模型的表达能力。

至于引入冗余特征而不是对其进行剪枝的原因，可能是由于在对其他因素造成影响尽可能小的前提下，去优化计算量及由此带来的模型参数数量减少，这样不容易引入新的问题。从另一个角度讲，冗余信息的存在，也许能够使后续的分类、回归任务更加简单。例如有些二维空间需要通过曲线进行分割的数据，通过增加一个维度，在三维空间仅需一个平面就能轻易分割。这个类比可能不是很严谨，但是也可以作为引入冗余的信息来使分类任务更容易进行。

下图所示，左上角输入的小猫图片经ResNet-50网络的第一个residual group后得到的部分Feature Map。我们可以看到，其中红色、绿色、蓝色标出的三组Feature Map存在较大的相似性，作者认为可以利用这种相似性，在其中一些基础Feature Map的基础上，使用相比标准CNN卷积核更加简单地线性运算来得到与其相似的Feature Map。