Multi-Skalige Dichte Netze für ressourcenschonende Bildklassifizierung

In dieser Arbeit untersuchen wir die Bildklassifizierung unter Berücksichtigung von Rechenressourcenbegrenzungen zur Testzeit. Zwei solche Szenarien sind: 1. Anytime-Klassifizierung, bei der die Vorhersage des Netzes für ein Testbeispiel schrittweise aktualisiert wird, was es ermöglicht, eine Vorhersage zu jedem Zeitpunkt auszugeben; und 2. Budgetierte Batch-Klassifizierung, bei der eine feste Menge an Berechnungen zur Verfügung steht, um eine Reihe von Beispielen zu klassifizieren, wobei diese Berechnungen ungleichmäßig auf "einfachere" und "schwierigere" Eingaben verteilt werden können.Im Gegensatz zu den meisten früheren Arbeiten, wie dem bekannten Algorithmus von Viola und Jones, basiert unser Ansatz auf Faltungsneuronalen Netzen (Convolutional Neural Networks). Wir trainieren mehrere Klassifizierer mit unterschiedlichen Ressourcenanforderungen, die wir während der Testzeit adaptiv anwenden. Um die Berechnungen zwischen den Klassifizierern maximal zu wiederverwenden, integrieren wir sie als Early-Exits in ein einzelnes tiefes Faltungsneuronales Netz und verbinden sie durch dichte Verkoppelung miteinander. Um eine hohe Klassifikationsqualität bereits in den frühen Phasen zu gewährleisten, verwenden wir eine zweidimensionale Multi-Skalen-Netzarchitektur, die grobe und feine Merkmale über das gesamte Netzwerk hinweg beibehält.Experimente anhand dreier Bildklassifizierungsaufgaben zeigen, dass unser Framework in beiden Szenarien den aktuellen Stand der Technik erheblich verbessert.