否则这些空白区域带来的计算量太多余了。这就是 sparse convolution 提出的motivation。下面是一个示例，解释了稀疏卷积是如何工作的。

ShuffleNet是由2017年07月发布的轻量级网络，设计用于移动端设备，在MobileNet之后的网络架构。主要的创新点在于使用了分组卷积(group c...

提出了一种深度模型加速的算法，可以在基本不影响准确率的前提下大大减少计算时间和参数数量。为移动和嵌入式视觉应用提出了一种有效的解决方案。可以应用在目标检测、细粒...

Transformer跨界计算机视觉虽然已取得了一些不错的成绩，但大部分情况下，它还是落后于最先进的卷积网络。

在高效网络上（特别是移动端），网络必须在有限的计算能力中达到最优的精度。目前很多论文研究着 轻量级架构设计和速度-精度的权衡。

然后将这个卷积的步骤分解为3个独立的方向[1]，即通道方向，X方向和Y方向，如上图(b)，则具有更低的计算量和参数量。

Google开发的MobileNets【1】是用于嵌入式平台计算机视觉应用的基准模型。MobileNets是流线型的架构，它使用depthwise sparab...

通过前两篇文章，我们了解到分割任务是一个像素级别的任务，因此需要在输入的空间尺寸下对每个像素都有分割的结果。换句话说，如果输入的空间尺寸是HxW，那么输出也需要...

在移动端高效的模型设计中，卷积拆分和分组几乎是不可缺少的思想，那么它们究竟是如何高效，本身又有哪些发展呢。

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/zhangjunhit/article/de...

任何看过MobileNet架构的人都会遇到可分离卷积（separable convolutions）这个概念。但什么是“可分离卷积”，它与标准的卷积又有什么区别...

在对一张6X6图片进行卷积后，它变成了一张4X4的图片。直接卷积有以下2个缺点：

DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convol...

Understanding the Effective Receptive Field in Deep Convolutional Neural Network...

Fully Convolutional Networks for Semantic Segmentation

在图像或者信号处理领域，简单说，correlation 用来评估两个信号的相似度，而 convolution 是用来评估一个信号对另一信号影响的度量。

AI 科技评论按：本文作者陈恺，该文首发于知乎，雷锋网 AI 科技评论获其授权转载。

这篇论文发自 2018 年，出自洛杉矶大学的一个团队，主要对 5 种不同心率进行预测分类及预测 MI（心肌梗死）。论文地址：https://arxiv.org/...