您现在的位置是:首页 >技术交流 >改进YOLOv5 | C3模块改动篇 | 轻量化设计 |骨干引入动态卷积|CondConv网站首页技术交流
改进YOLOv5 | C3模块改动篇 | 轻量化设计 |骨干引入动态卷积|CondConv
简介改进YOLOv5 | C3模块改动篇 | 轻量化设计 |骨干引入动态卷积|CondConv
CondConv: Conditionally Parameterized Convolutions for Efficient Inference
卷积是当前CNN网络的基本构成单元之一,它的一个基本假设是:卷积参数对所有样例共享。作者提出一种条件参数卷积,它可以为每个样例学习一个特定的卷积核参数,通过替换标准卷积,CondConv可以提升模型的尺寸与容量,同时保持高效推理。作者证实:相比已有标准卷积网络,基于CondConv的网络在精度提升与推理耗时方面取得了均衡(即精度提升,但速度持平)。在ImageNet分类问题中,基于CondConv的EfficientNet-B0取得了78.3%的精度且仅有413M计算量。
论文地址:https://arxiv.org/abs/1904.04971
论文核心思想
在常规卷积中,其卷积核参数经训练确定且对所有输入样本“一视同仁”;而在CondConv中,卷积核参数参数通过对输入进行变换得到,该过程可以描述为:
在CondConv中,每个卷积核具有与标准卷积核参数相同的维度。
常规卷积的容量提升依赖于卷积核尺寸与通道数的提升,将进一步提升的网络的整体计算;而CondConv则只需要在执
风语者!平时喜欢研究各种技术,目前在从事后端开发工作,热爱生活、热爱工作。