基于异构卷积的轻量级图像分类网络

目前大多数大型神经网络都存在参数量大、计算难度高等问题,想要在移动端设备使用,则会受到计算资源的限制。虽然现有轻量级网络出现解决了一定的计算量的问题,但同时其网络中大量使用1×1点卷积,使得其成为了现在轻量级网络的计算瓶颈。针对点卷积造成的计算瓶颈的问题,首先提出使用GhostModel来代替其中一部分点卷积,然后结合异构卷积对残差结构进行改进并提出ResHetModel_A、B两个改进的模块,使用改进模块构成轻量级网络HSNet。最后对注意力特征图进行分析,在网络加入注意力机制来提高网络表达。在CAFIR10和CAFIR100数据集上的分类实验证明网络的有效性。最后在ImageNet大型数据集上实验表明HSNet具有一定的泛化性。