多尺度密集网络用于资源高效的图像分类

本文研究了在测试时受计算资源限制的图像分类问题。我们探讨了两种具体场景：1. 随时分类（anytime classification），在这种情况下，网络对测试样本的预测结果会逐步更新，从而可以在任何时刻输出预测；2. 预算批量分类（budgeted batch classification），在这种情况下，有固定的计算资源用于分类一组样本，这些资源可以不均匀地分配给“较容易”和“较难”的输入。与大多数先前的工作不同，例如广为人知的Viola和Jones算法，我们的方法基于卷积神经网络。我们训练了多个具有不同资源需求的分类器，并在测试时自适应地应用它们。为了最大限度地重用各分类器之间的计算资源，我们将它们作为早期退出点集成到一个单一的深度卷积神经网络中，并通过密集连接实现相互连接。为了促进早期高质量的分类，我们采用了二维多尺度网络架构，在整个网络中同时保留粗略和精细级别的特征。在三个图像分类任务上的实验表明，我们的框架在这两种场景下均显著提升了现有技术水平。