多尺度并行融合的轻量级卷积神经网络设计

范瑞; 蒋品群; 曾上游; 夏海英; 廖志贤; 李鹏

doi:10.16088/j.issn.1001-6600.2019.03.006

广西师范大学学报（自然科学版） ›› 2019, Vol. 37 ›› Issue (03) : 50 -59. DOI: 10.16088/j.issn.1001-6600.2019.03.006

多尺度并行融合的轻量级卷积神经网络设计

范瑞, 蒋品群, 曾上游, 夏海英, 廖志贤, 李鹏

作者信息 +

Author information +

文章历史 +

PDF

摘要

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。