【论文标题】NL-CNN: A Resources-Constrained Deep Learning Model based on Nonlinear Convolution 【作者团队】Radu Dogaru, Ioana Dogaru 【发表时间】2021/01/30 【论文链接】https://arxiv.org/ftp/arxiv/papers/2102/2102.00227.pdf 【机 构】布加勒斯特理工大学，应用电子与信息工程系

【推荐理由】本文出自布加勒斯特理工大学，针对于资源受限模型，提出了一种新颖的卷积神经网络模型（NL-CNN），与传统的资源受限模型相比具有更高的准确性，而训练时间却减少了几倍，适用于IoT，智能感测，生物医学等资源受限领域。

本文提出了一种新颖的卷积神经网络模型，简称为NL-CNN，该模型在卷积+非线性层的级联中模拟了非线性卷积。其实现代码和一些受过训练的模型已公开提供。提供了几个广为人知的数据集的性能评估，显示了几个相关特征：i）对于中小型输入图像大小，由于实现复杂度和模型尺寸低，所提出的网络具有非常好的测试精度； ii）与其他广为人知的资源受限模型相比具有优势，例如，与MobileNetv2相比，具有更高的准确性，而训练时间却减少了几倍，参数（模型所占用的内存）减少了十倍； iii）具有一组相关的超参数，由于特定于其的快速训练，可以轻松快速地对其进行调整。所有这些功能使NL-CNN适用于IoT，智能感测，生物医学便携式仪器以及必须在能源受限的环境中部署人工智能的其他应用。

下图为本文研发的NL-CNN网络架构。

图1 NL-CNN网络架构

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