多スケール密集ネットワークを用いたリソース効率的な画像分類

本論文では、テスト時の計算リソース制約下での画像分類について調査します。そのような設定は以下の2つです：1. アニタイム分類（anytime classification）、ネットワークがテストサンプルに対する予測を逐次的に更新し、任意の時点で予測結果を出力することが可能となる方法；2. 予算付きバッチ分類（budgeted batch classification）、一定量の計算リソースが利用可能で、それらを「簡単な」入力と「難しい」入力に対して非均一に割り当てて複数のサンプルを分類する方法。既存の研究、例えば人気のあるビオラ・ジョーンズアルゴリズムとは異なり、当方針は畳み込みニューラルネットワークに基づいています。異なるリソース要件を持つ複数の分類器を訓練し、テスト時に適応的に適用します。これらの分類器間で計算を最大限に再利用するために、単一の深層畳み込みニューラルネットワーク内に早期終了（early-exits）として組み込み、それらを密集接続（dense connectivity）で相互接続します。初期段階での高品質な分類を支援するために、粗いレベルと細かいレベルの特徴を全体的に維持する2次元マルチスケールネットワークアーキテクチャを使用します。3つの画像分類タスクにおける実験により、当フレームワークが両設定において既存の最先端技術よりも大幅に性能向上することを示しています。