相关实验视频
Updated: Jul 4, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
IremulbNet:重新思考图像识别的倒置剩余架构
Tiantian Su1, Anan Liu1, Yongran Shi1
1Shaanxi Normal University, Xi'an 710119, Shaanxi, China.
概括
一个新的轻量级卷积神经网络 (CNN) 模型,IremulbNet,提高了移动设备上的图像分类准确性. 与现有模型相比,这种高效的网络实现了更高的准确性和更快的推断时间.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 在资源有限的移动设备上运行复杂的卷积神经网络 (CNN) 模型的需求日益增加.
- 现有的轻量级网络模型往往难以达到足够的分类准确性.
研究的目的:
- 提出一个高效和轻量级的神经网络模型,IremulbNet,以解决当前移动优化的CNN的精度限制.
- 为了提高分类准确性,同时保持移动应用的计算效率.
主要方法:
- 引入一个反向剩余多分支网络 (IremulbNet) 架构.
- 使用反向残余结构重建核心模块.
- 整合多分支特征提取,一种新的特征融合方法,以及深度可分离的卷积.
主要成果:
- 在细粒度的Imagenet-woof数据集上,IremulbNet表现优越,在精度上分别超过了MobileNet V3,ShuffleNet V2和PeleeNet的10.9%,12.2%和15.3%.
- 推断时间显著减少:在GPU上比ResNet50快42.09%,比DenseNet121快75.56%.
结论:
- 在移动部署方面,IremulbNet有效地平衡了高分类准确度和计算效率.
- 拟议的架构为在移动设备上部署先进的CNN模型提供了一个有希望的解决方案.
