《表2 有无混洗对模型的影响》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《GMSDenseNet:基于组多结构卷积的轻量级DenseNet》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

对于组卷积部分，为了增加所学习到的特征中包含的图像信息，使用两个组卷积来进行特征学习，每个组卷积使用3个分组．对于组多结构卷积单元，除了瓶颈层使用BN-ReLU转换和1×1卷积尺寸，其余层均使用BN-ReLU转换和3×3卷积尺寸．GMSDenseNet共有3个Block，每个Block中有16个组多结构卷积单元，转换层所使用的组卷积分组个数为增长率因数子集中的中位数，即Gt=4．同时为了避免转换层的输出特征图通道数量在进入到下一个Block中的组多结构卷积单元不匹配问题，本文对转换层的输出通道数量作出如下约束:当输入通道数量的一半仍可以被分配比例配置整除时，输出通道数量就为输入通道数量的一半，当不能被整除时，输出通道数量为输入通道数量的一半与余数的差．组卷积的引入会大量减少模型参数的使用并显著降低通道间的计算约束，但文献[14]指出由于特征分组会产生大量的组卷积堆叠，这会导致特征信息丢失，且通道间的特征信息交互流动也将受阻，严重影响特征表征能力．本文将文献[10]中提出的通道混洗策略引入到所提出的模型中，对比了未加入混洗操作的相同模型，表2的实验结果说明了模型加入混洗操作未产生额外的花销，并且对于组卷积所得到的特征信息进行交互有着积极的作用．