論文の概要: Adaptive Pixel-wise Structured Sparse Network for Efficient CNNs

• arxiv url: http://arxiv.org/abs/2010.11083v3
• Date: Sat, 20 Mar 2021 08:46:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-10-05 00:45:12.141160
• Title: Adaptive Pixel-wise Structured Sparse Network for Efficient CNNs
• Title（参考訳）: 効率的なCNNのための適応的画素構造スパースネットワーク
• Authors: Chen Tang, Wenyu Sun, Zhuqing Yuan, Yongpan Liu
• Abstract要約: 本稿では,入力画像に応じて画素単位の間隔を生成できる新しい空間適応型フレームワークを提案する。 異なる精度/遅延条件のアプリケーションに対するオンライン調整を可能にするためにスパース制御方式を提案する。
• 参考スコア（独自算出の注目度）: 11.377052459168942
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To accelerate deep CNN models, this paper proposes a novel spatially adaptive framework that can dynamically generate pixel-wise sparsity according to the input image. The sparse scheme is pixel-wise refined, regional adaptive under a unified importance map, which makes it friendly to hardware implementation. A sparse controlling method is further presented to enable online adjustment for applications with different precision/latency requirements. The sparse model is applicable to a wide range of vision tasks. Experimental results show that this method efficiently improve the computing efficiency for both image classification using ResNet-18 and super resolution using SRResNet. On image classification task, our method can save 30%-70% MACs with a slightly drop in top-1 and top-5 accuracy. On super resolution task, our method can reduce more than 90% MACs while only causing around 0.1 dB and 0.01 decreasing in PSNR and SSIM. Hardware validation is also included.
• Abstract（参考訳）: 深層cnnモデルを高速化するために,入力画像に応じて画素別スパーシティを動的に生成可能な空間適応フレームワークを提案する。 スパース方式はピクセルワイドで、統一された重要度マップの下での地域適応性があり、ハードウェア実装に親しみやすい。 さらにスパース制御を行い、異なる精度/遅延条件のアプリケーションに対するオンライン調整を可能にする。 スパースモデルは幅広いビジョンタスクに適用できる。 実験結果から,ResNet-18を用いた画像分類とSRResNetを用いた超解像の両方の計算効率を効率よく向上することを示した。 画像分類タスクでは,トップ1とトップ5の精度がわずかに低下し,30%～70%のmacを節約できる。 超分解能タスクでは,PSNRとSSIMの約0.1dBと0.01しか減少せず,90%以上のMACを削減できる。 ハードウェア検証も含まれている。

関連論文リスト

• Efficient Context Integration through Factorized Pyramidal Learning for Ultra-Lightweight Semantic Segmentation [1.0499611180329804]
  本稿では,FPL(Facterized Pyramidal Learning)モジュールを提案する。 空間ピラミッドを2つのステージに分解し,モジュール内での簡易かつ効率的な特徴融合により,悪名高いチェッカーボード効果を解決する。 FPLモジュールとFIRユニットをベースとしたFPLNetと呼ばれる超軽量リアルタイムネットワークを提案する。
  論文  参考訳（メタデータ） (2023-02-23T05:34:51Z)
• Efficient fine-grained road segmentation using superpixel-based CNN and CRF models [0.0]
  本稿では,道路分割作業におけるCNNの利点を合理的な計算力で活用するための新しい手法を提案する。 提案システムは,KITTIロードベンチマークにおいて,上位性能のアルゴリズムに匹敵する性能を得た。
  論文  参考訳（メタデータ） (2022-06-22T12:38:30Z)
• EdgeNeXt: Efficiently Amalgamated CNN-Transformer Architecture for Mobile Vision Applications [68.35683849098105]
  入力テンソルを複数のチャネルグループに分割するSDTAエンコーダを導入する。 1.3Mパラメータを持つEdgeNeXtモデルでは、ImageNet-1Kで71.2%のTop-1精度を実現している。 パラメータ5.6MのEdgeNeXtモデルでは、ImageNet-1Kで79.4%のTop-1精度を実現しています。
  論文  参考訳（メタデータ） (2022-06-21T17:59:56Z)
• Hybrid Pixel-Unshuffled Network for Lightweight Image Super-Resolution [64.54162195322246]
  畳み込みニューラルネットワーク(CNN)は画像超解像(SR)において大きな成功を収めた ほとんどのディープCNNベースのSRモデルは、高い性能を得るために大量の計算を処理している。 SRタスクに効率的かつ効果的なダウンサンプリングモジュールを導入することで,HPUN(Hybrid Pixel-Unshuffled Network)を提案する。
  論文  参考訳（メタデータ） (2022-03-16T20:10:41Z)
• New SAR target recognition based on YOLO and very deep multi-canonical correlation analysis [0.1503974529275767]
  本稿では,異なるCNN層から有効な特徴を適応的に融合させることにより,SAR画像ターゲット分類のためのロバストな特徴抽出手法を提案する。 MSTARデータセットの実験により,提案手法が最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-10-28T18:10:26Z)
• Greedy Network Enlarging [53.319011626986004]
  本稿では,計算のリアルタイム化に基づくグリーディ・ネットワーク拡大手法を提案する。 異なる段階の計算をステップバイステップで修正することで、拡張されたネットワークはMACの最適な割り当てと利用を提供する。 GhostNetへの我々の手法の適用により、最先端の80.9%と84.3%のImageNet Top-1アキュラシーを実現する。
  論文  参考訳（メタデータ） (2021-07-31T08:36:30Z)
• Enhancing sensor resolution improves CNN accuracy given the same number of parameters or FLOPS [53.10151901863263]
  パラメータ数やFLOPSが同じで、高い入力解像度で高い精度が得られるように、ネットワークを変更することは、ほぼ常に可能であることを示す。 MNIST、Fashion MNIST、CIFAR10データセットに関する予備的研究は、提案手法の効率性を実証している。
  論文  参考訳（メタデータ） (2021-03-09T06:47:01Z)
• Glance and Focus: a Dynamic Approach to Reducing Spatial Redundancy in Image Classification [46.885260723836865]
  ディープ畳み込みニューラルネットワーク (Deep Convolutional Neural Network, CNN) は、高解像度画像で処理することで一般的に改善される。 画像中のすべての領域がタスク関連であるとは限らないという事実に着想を得て,効率的な画像分類を行う新しいフレームワークを提案する。 我々のフレームワークは、最先端の軽量CNNの多くと互換性があり、汎用的で柔軟です。
  論文  参考訳（メタデータ） (2020-10-11T17:55:06Z)
• Learning to Learn Parameterized Classification Networks for Scalable Input Images [76.44375136492827]
  畳み込みニューラルネットワーク(CNN)は、入力解像度の変化に関して予測可能な認識動作を持たない。 我々はメタラーナーを用いて、様々な入力スケールのメインネットワークの畳み込み重みを生成する。 さらに、異なる入力解像度に基づいて、モデル予測よりもフライでの知識蒸留を利用する。
  論文  参考訳（メタデータ） (2020-07-13T04:27:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。