会议详情
标准的卷积神经网络(CNN) 因其能有效地对图像信息进行特征提取和表示,已在图像和视觉任务上获得了巨大的成功。但传统的标准卷积方式参数成本较高,限制了其在一些高维数据上的应用,如遥感图像处理问题。标准卷积参数量大的原因很大程度上是由于保持卷积核输入通道维度与特征通道一致而造成的参数冗余。此论文主要从线性代数理论的角度去理解卷积核的生成过程,并提出了一种可解释的卷积核张成策略SpanConv,有效且高效地构造卷积核空间,从而用更少的参数去表示卷积核的关键信息。该工作分享结束后,分享人将从一位大学生的角度谈一谈自已一路走来的心路历程以及他对于挑战和机遇的理解。
确认
3秒后跳转登录页面
去登陆