基于分组卷积的密集连接网络研究

随着深度学习的发展,不断出现具有良好性能表现的复杂网络模型.由于复杂的卷积神经网络存在计算资源消耗大和存储空间大的问题,使其不能很好地部署在各硬件平台之上.文中通过对用于视觉识别领域的密集连接的卷积网络(dense convolutional network, DenseNet)进行研究,发现网络中的参数存在大量冗余,其计算效率仍有提升的空间.因此,在其基础上引入分组卷积,对其密集块与增长率进行改进,提出一种基于分组卷积的密集连接网络(grouped dense convolutional network, GDenseNet).在两个数据集(CIFAR-10和CIFAR-100)上的实验表明:当错误率基本相同时,GDenseNet的模型复杂度和计算复杂度比DenseNet分别低12%和36%.