本文分享论文『Resolution Adaptive Networks for Efficient Inference』，由清华黄高团队提出分辨率自适应的高效推理网络RANet！MSDNet加强版！

论文链接：https://arxiv.org/abs/2003.07326

项目链接：https://github.com/yangle15/RANet-pytorch

 

在本文中，作者关注输入样本的空间冗余，并提出了一种新的分辨率自适应网络（Resolution Adaptive Network，RANet），其灵感来源于低分辨率的表示足以对包含大对象的“简单”输入进行分类，而只有一些“困难”输入样本需要空间上的更详细信息。
在RANet中，输入图像首先被路由到一个轻量级子网络中，该子网络有效地提取低分辨率表示，高预测置信度的样本将提前退出网络，而无需进一步处理，从而降低计算资源。同时，网络中的高分辨率路径用于识别数据集中的“困难”样本。因此，RANet可以有效减少高分辨率输入的空间冗余。通过实验，作者在CIFAR-10、CIFAR-100和ImageNet数据集上证明了RANet的有效性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除