广西师范大学学报(自然科学版)

2019, v.37(03) 50-59

[打印本页] [关闭]
本期目录(Current Issue) | 过刊浏览(Past Issue) | 高级检索(Advanced Search)

多尺度并行融合的轻量级卷积神经网络设计
Design of Lightweight Convolution Neural Network Based on Multi-scale Parallel Fusion

范瑞;蒋品群;曾上游;夏海英;廖志贤;李鹏;

摘要(Abstract):

针对传统深度卷积神经网络分类精度不佳,参数量巨大,难以在内存受限的设备上进行部署的问题,本文提出了一种多尺度并行融合的轻量级卷积神经网络架构PL-Net。首先,将上层输出特征图分别送入两种不同尺度的深度可分离卷积层;然后对并行输出特征信息进行交叉融合,并加入残差学习,设计了一种并行轻量型模块PL-Module;同时,为了更好地提取特征信息,利用尺度降维卷积模块SR-Module来替换传统池化层;最后将上述两个模块相互堆叠构建轻量级网络。在CIFAR10、Caltech256和101_food数据集上进行训练与测试,结果表明:与同等规模的传统CNN、MobileNet-V2网络及SqueezeNet网络相比,PL-Net在减少网络参数的同时,提升了网络的分类精度,适合在内存受限的设备上进行部署。

关键词(KeyWords): 卷积神经网络;深度可分离卷积;残差学习;并行卷积

Abstract:

Keywords:

基金项目(Foundation): 国家自然科学基金(11465004,61762014);; 桂林市科学研究与技术开发计划项目(20170113-4)

作者(Author): 范瑞;蒋品群;曾上游;夏海英;廖志贤;李鹏;

Email:

参考文献(References):

扩展功能
本文信息
服务与反馈
本文关键词相关文章
本文作者相关文章
中国知网
分享