Gated Convolutional Netzwerke mit hybrider Verkoppelung für Bildklassifizierung

Wir schlagen eine einfache, aber effektive Methode vor, um die Redundanz von DenseNet zu reduzieren, indem wir die Anzahl der gestapelten Module erheblich verringern und das ursprüngliche Bottleneck-Modul durch unser SMG-Modul (Submodule with Local Residual) ersetzen. Das SMG-Modul wird zudem mit einer effizienten zweistufigen Pipeline ausgestattet, die darauf abzielt, architekturähnliche Strukturen wie DenseNet zu integrieren, die alle vorherigen Ausgaben zusammenführen müssen. Dies geschieht durch schrittweise Komprimierung der eingehenden informativen, aber redundanten Merkmale mittels hierarchischer Faltungen in Form eines Stundenglasses und anschließendes Aktivieren dieser Merkmale durch tiefenweise Faltungen mit mehreren Kernen. Die Ausgabe dieses Prozesses ist kompakt und enthält informative Merkmale auf verschiedenen Skalen.Um eine effektive Fusion von wiederverwendeten und neuen Merkmalen zu erreichen, statt einer einfachen Addition, haben wir ein Vergessentor und ein Aktualisierungstor entwickelt, indem wir gängige Aufmerksamkeitsmodule einführten. Aufgrund der hybriden Verbindungsstruktur (verschachtelte Kombination von globaler Dichte und lokalem Residuum) und der Gattermechanismen nennen wir unser Netzwerk HCGNet (Hybrid Connectivity and Gated Network).Experimentelle Ergebnisse auf den Datensätzen CIFAR und ImageNet zeigen, dass HCGNet deutlich effizienter als DenseNet ist und auch signifikant bessere Leistungen als state-of-the-art Netze bei geringerer Komplexität erzielen kann. Darüber hinaus zeigt HCGNet durch Netzwerkanalyse eine bemerkenswerte Interpretierbarkeit sowie durch adversariale Verteidigung eine hohe Robustheit. Auf MS-COCO kann HCGNet konsistent bessere Merkmale als populäre Backbones lernen.