Fugu-MT 論文翻訳(概要): PP-LCNet: A Lightweight CPU Convolutional Neural Network

論文の概要: PP-LCNet: A Lightweight CPU Convolutional Neural Network

arxiv url: http://arxiv.org/abs/2109.15099v1
Date: Fri, 17 Sep 2021 11:35:32 GMT
ステータス: 処理完了
システム内更新日: 2021-10-03 10:39:50.292488
Title: PP-LCNet: A Lightweight CPU Convolutional Neural Network
Title（参考訳）: PP-LCNet:軽量CPU畳み込みニューラルネットワーク
Authors: Cheng Cui, Tingquan Gao, Shengyu Wei, Yuning Du, Ruoyu Guo, Shuilong Dong, Bin Lu, Ying Zhou, Xueying Lv, Qiwen Liu, Xiaoguang Hu, Dianhai Yu, Yanjun Ma
Abstract要約: PP-LCNetという,MKLDNNの高速化戦略に基づく軽量CPUネットワークを提案する。本稿では,レイテンシがほぼ一定でありながら,ネットワークの精度を向上させる技術について述べる。 PP-LCNetは以前のネットワーク構造を大幅に上回り、同じ推論時間で分類できる。
参考スコア（独自算出の注目度）: 5.400569330093269
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a lightweight CPU network based on the MKLDNN acceleration strategy, named PP-LCNet, which improves the performance of lightweight models on multiple tasks. This paper lists technologies which can improve network accuracy while the latency is almost constant. With these improvements, the accuracy of PP-LCNet can greatly surpass the previous network structure with the same inference time for classification. As shown in Figure 1, it outperforms the most state-of-the-art models. And for downstream tasks of computer vision, it also performs very well, such as object detection, semantic segmentation, etc. All our experiments are implemented based on PaddlePaddle. Code and pretrained models are available at PaddleClas.
Abstract（参考訳）: 本稿では,マルチタスクにおける軽量モデルの性能向上を目的とした,pp-lcnetと呼ばれるmkldnn高速化戦略に基づく軽量cpuネットワークを提案する。本稿では,遅延がほぼ一定である間,ネットワークの精度を向上させる技術を紹介する。これらの改良により、PP-LCNetの精度は、同一の推論時間で以前のネットワーク構造を大幅に上回ることができる。図1に示すように、最も最先端のモデルよりも優れています。また、コンピュータビジョンの下流タスクでは、オブジェクト検出やセマンティックセグメンテーションなど、非常によく機能します。すべての実験はPaddlePaddleに基づいて実施されています。コードと事前トレーニングされたモデルはPaddleClasで利用可能だ。

関連論文リスト

Latency-aware Unified Dynamic Networks for Efficient Image Recognition [72.8951331472913]
LAUDNetは動的ネットワークの理論的および実用的な効率ギャップを橋渡しするフレームワークである。 3つの主要な動的パラダイム - 適応型計算、動的層スキップ、動的チャネルスキップ - を統合している。これにより、V100,3090やTX2 GPUのようなプラットフォーム上で、ResNetのようなモデルの遅延を50%以上削減できる。
論文参考訳（メタデータ） (2023-08-30T10:57:41Z)
Pushing the Efficiency Limit Using Structured Sparse Convolutions [82.31130122200578]
本稿では,画像の固有構造を利用して畳み込みフィルタのパラメータを削減する構造的スパース畳み込み(SSC)を提案する。我々は、SSCが効率的なアーキテクチャにおける一般的なレイヤ(奥行き、グループ回り、ポイント回りの畳み込み)の一般化であることを示す。 SSCに基づくアーキテクチャは、CIFAR-10、CIFAR-100、Tiny-ImageNet、ImageNet分類ベンチマークのベースラインと比較して、最先端のパフォーマンスを実現している。
論文参考訳（メタデータ） (2022-10-23T18:37:22Z)
Lightweight and Progressively-Scalable Networks for Semantic Segmentation [100.63114424262234]
マルチスケール学習フレームワークは,セマンティックセグメンテーションを向上する有効なモデルのクラスと見なされてきた。本稿では,畳み込みブロックの設計と,複数スケールにわたる相互作用の仕方について,徹底的に解析する。我々は,軽量で拡張性の高いネットワーク(LPS-Net)を考案した。
論文参考訳（メタデータ） (2022-07-27T16:00:28Z)
Ghost-dil-NetVLAD: A Lightweight Neural Network for Visual Place Recognition [3.6249801498927923]
本稿では,GhostCNNと呼ばれるフロントエンド認識モデルと学習可能なVLAD層をバックエンドとして構成した,軽量な教師付きエンドツーエンドニューラルネットワークを提案する。提案する軽量モデルをさらに強化するため,Ghostモジュールに拡張畳み込みを加えて,より空間的意味情報を含む特徴を抽出し,精度を向上する。
論文参考訳（メタデータ） (2021-12-22T06:05:02Z)
FADNet++: Real-Time and Accurate Disparity Estimation with Configurable Networks [19.29846600092521]
FADNet++は、分散度推定のための効率的なディープネットワークである。リアルタイムアプリケーションのための高速なモデル推論速度で精度を高めることができる。 SceneFlowデータセットの新たな最先端結果を実現している。
論文参考訳（メタデータ） (2021-10-06T08:50:33Z)
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)
Fully Dynamic Inference with Deep Neural Networks [19.833242253397206]
Layer-Net(L-Net)とChannel-Net(C-Net)と呼ばれる2つのコンパクトネットワークは、どのレイヤやフィルタ/チャネルが冗長であるかをインスタンス毎に予測する。 CIFAR-10データセットでは、LC-Netは11.9$times$ less floating-point Operations (FLOPs) となり、他の動的推論手法と比較して最大3.3%精度が向上する。 ImageNetデータセットでは、LC-Netは最大1.4$times$ FLOPsを減らし、Top-1の精度は他の方法よりも4.6%高い。
論文参考訳（メタデータ） (2020-07-29T23:17:48Z)
Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2020-04-06T15:51:00Z)
FADNet: A Fast and Accurate Network for Disparity Estimation [18.05392578461659]
本研究では,FADNetという分散度推定のための効率的かつ高精度なディープネットワークを提案する。高速な計算を保存するために、2Dベースの効率的な相関層と積み重ねブロックを利用する。精度を向上させるために、マルチスケールの重みスケジューリングトレーニング技術を活用するために、マルチスケールの予測を含んでいる。
論文参考訳（メタデータ） (2020-03-24T10:27:11Z)
ReActNet: Towards Precise Binary Neural Network with Generalized Activation Functions [76.05981545084738]
本稿では,新たな計算コストを伴わずに,実数値ネットワークからの精度ギャップを埋めるため,バイナリネットワークを強化するためのいくつかのアイデアを提案する。まず,パラメータフリーのショートカットを用いて,コンパクトな実数値ネットワークを修正・バイナライズすることで,ベースラインネットワークを構築する。提案したReActNetはすべての最先端技術よりも大きなマージンで優れていることを示す。
論文参考訳（メタデータ） (2020-03-07T02:12:02Z)

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。