ImageNet 二值网络精度排名表

本文探讨了使用低比特宽度卷积神经网络(CNN)在ImageNet数据集上的表现,包括AlexNet、ResNet系列等模型的二值化及多值量化技术。重点介绍了Bi-RealNet、Binary Ensemble等网络结构在保持精度的同时减少计算资源消耗的方法,以及Semi-Binary Decomposition(SBD)训练策略。此外,还讨论了Group-Net如何通过结构化的二值化实现更准确的图像分类和语义分割。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

ImageNet using AlexNet
在这里插入图片描述
Towards Effective Low-bitwidth Convolutional Neural Networks
在这里插入图片描述
SBD: Training Binary Weight Networks via Semi-Binary Decomposition
在这里插入图片描述

ImageNet using ResNet-18 (W-weights, A-activation)

Bi-Real net 56.4%
TBN 55.6
Binary Ensemble 61.0%
Full-Precision DNN [27, 43]     32   32    69.3%

ImageNet with Res-18 and Res-34
Binary Ensemble Neural Network: More Bits per Network or More Networks per Bit
在这里插入图片描述

ImageNet with Res-50
Towards Effective Low-bitwidth Convolutional Neural Networks
在这里插入图片描述

SBD: Training Binary Weight Networks via Semi-Binary Decomposition

Group-Net: Structured Binary Neural Networks for Accurate Image Classification and Semantic Segmentation
在这里插入图片描述

Group-Net: Structured Binary Neural Networks for Accurate Image Classification and Semantic Segmentation

Binary Ensemble Neural Network: More Bits per Network or More Networks per Bit?
CVPR2019

PQ+TS+Guided:
Towards Effective Low-bitwidth Convolutional Neural Networks CVPR2018

SBD: Training Binary Weight Networks via Semi-Binary Decomposition
ECCV2018

Bi-Real Net: Enhancing the Performance of 1-bit CNNs With Improved Representational Capability and Advanced Training Algorithm
ECCV2018

XNOR-Net: ImageNet Classification Using Binary Convolutional Neural Networks
ECCV2016

Binarized Neural Networks
NIPS2016

11

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值