Réseaux de convolution avec connectivité hybride pour la classification d'images

Nous proposons une méthode simple mais efficace pour réduire la redondance de DenseNet en diminuant considérablement le nombre de modules empilés en remplaçant le bottleneck original par notre module SMG (Single Module Group), qui est amélioré par un résiduel local. De plus, le module SMG est doté d'un pipeline à deux étapes efficace, visant les architectures similaires à DenseNet qui nécessitent l'intégration de toutes les sorties précédentes, c'est-à-dire en comprimant progressivement les caractéristiques informatives mais redondantes entrantes par des convolutions hiérarchiques en forme d'entonnoir et en les stimulant ensuite par des convolutions profondes à noyaux multiples, dont la sortie sera compacte et contiendra des caractéristiques multi-échelles plus informatives. Nous développons également une porte d'oubli et une porte de mise à jour en introduisant des modules d'attention populaires pour réaliser une fusion efficace au lieu d'une simple addition entre les caractéristiques réutilisées et nouvelles. En raison de la Connectivité Hybride (combinaison imbriquée de connectivité dense globale et de résiduel local) et des mécanismes Gated, nous avons nommé notre réseau HCGNet (Hybrid Connectivity Gated Network). Les résultats expérimentaux sur les jeux de données CIFAR et ImageNet montrent que HCGNet est nettement plus efficace que DenseNet et peut également surpasser significativement les réseaux de pointe avec moins de complexité. De plus, HCGNet démontre une remarquable interprétabilité et robustesse grâce à la dissection du réseau et à la défense contre les attaques adverses, respectivement. Sur MS-COCO, HCGNet peut apprendre de manière cohérente des caractéristiques meilleures que celles des backbones populaires.