具有混合连接的门控卷积网络用于图像分类

我们提出了一种简单而有效的方法来减少DenseNet的冗余，通过显著减少堆叠模块的数量，并用我们的SMG（Squeezing Multi-kernel Group）模块替换原有的瓶颈模块，该模块增强了局部残差。此外，SMG模块配备了一个高效的两阶段流水线，旨在处理类似于DenseNet的架构，这些架构需要整合所有先前的输出，即通过层次卷积逐步压缩传入的信息丰富但冗余的特征，形成沙漏形状，然后通过多核深度卷积激发这些特征，其输出将更加紧凑并包含更多的多尺度信息特征。为了实现重用特征和新特征之间的有效融合，而不是简单的相加，我们引入了流行的注意力机制来开发一个遗忘门和一个更新门。由于采用了混合连接（全局密集连接和局部残差连接的嵌套组合）和门控机制，我们将该网络命名为HCGNet（Hybrid Connectivity and Gated Network）。在CIFAR和ImageNet数据集上的实验结果表明，HCGNet比DenseNet具有更高的效率，并且在复杂度较低的情况下也能显著优于最先进的网络。此外，HCGNet还通过网络解剖和对抗防御分别展示了出色的可解释性和鲁棒性。在MS-COCO数据集上，HCGNet能够持续学习到比流行骨干网络更好的特征。