群卷積

群卷積的目的是通過將特征信道劃分為多個不同的組，然后分別對每個組進行卷積，從而減少卷積層中參數(shù)的數(shù)量，如上圖（d）所示。如果我們將特征信道平均分成m組，不改變其他構(gòu)型，理論上卷積的計算復(fù)雜度將會降低到原來的1／m。

深度可分離卷積

上圖（e）所示的深度可分離卷積是近年來流行的一種構(gòu)建輕量級卷積網(wǎng)絡(luò)的方法，當(dāng)組數(shù)等于信道數(shù)時，可以將它看作是群卷積的一個特例［4］。

假設(shè)我們有一個帶有d個濾波器的卷積層和一個 c 通道的特征圖，每個濾波器的大小為 k×k 。對于深度可分卷積，每個 k×k×c 濾波器首先被分割成 c 個片，每個片的大小為 k×k×1 ，然后在每個通道中對濾波器的每個片分別進行卷積。最后，一些 1x1 濾波器用于進行維度轉(zhuǎn)換，以便最終的輸出應(yīng)該具有 d 通道。利用深度可分卷積，將計算復(fù)雜度從O（dk＾2c）降低到O（ck＾2）＋O（dc）。該思想最近被應(yīng)用于目標(biāo)檢測和細粒度分類（Fine－grain classification）。

瓶頸設(shè)計

神經(jīng)網(wǎng)絡(luò)中的瓶頸層與前一層相比只包含很少的節(jié)點，它可以用來學(xué)習(xí)降維輸入的高效數(shù)據(jù)編碼，這在深度自編碼中得到了廣泛的應(yīng)用。近年來，瓶頸設(shè)計被廣泛應(yīng)用于輕量化網(wǎng)絡(luò)的設(shè)計［5］［6］。在這些方法中，一種常見的方法是壓縮檢測器的輸入層，以減少從檢測管道開始的計算量［5］。另一種方法是壓縮檢測引擎的輸出，使特征圖變薄，使其在后續(xù)檢測階段更加高效［6］。

神經(jīng)結(jié)構(gòu)搜索

近年來，人們對利用神經(jīng)結(jié)構(gòu)搜索 （ NAS ） 自動設(shè)計網(wǎng)絡(luò)體系結(jié)構(gòu)而不是依賴于專家經(jīng)驗和知識產(chǎn)生了濃厚的興趣。NAS 已應(yīng)用于大規(guī)模圖像分類［7］，目標(biāo)檢測［8］和圖像分割任務(wù)［9］。NAS 最近在設(shè)計輕量級網(wǎng)絡(luò)方面也顯示出了很好的結(jié)果，其中在搜索過程中考慮了預(yù)測精度和計算復(fù)雜度的限制［10］。

數(shù)值加速技術(shù)

我們簡要介紹在目標(biāo)檢測中經(jīng)常使用的兩種數(shù)值加速技術(shù)：1） 頻域加速，2） 降階近似。

頻域加速

卷積是目標(biāo)檢測中的一種重要的數(shù)值運算形式。由于線性檢測器的檢測可以看作是特征圖與檢測器權(quán)值之間的窗口內(nèi)積，因此該過程可以通過卷積來實現(xiàn)。

有很多方法可以加速卷積運算，其中傅里葉變換是一個非常實用的選擇，尤其是對于加速那些大的濾波器。頻域加速卷積的理論基礎(chǔ)是信號處理中的卷積定理，即在合適的條件下，兩個信號卷積的傅里葉變換是其傅里葉空間的點乘：

其中，

是傅里葉變換，

是傅里葉反變換，I和W是輸入圖像和濾波器，＊是卷積運算，

是點乘運算。利用快速傅里葉變換 （Fast Fourier Transform，F(xiàn)FT）和快速傅里葉反變換 （Inverse Fast Fourier Transform，IFFT）可以加速上述計算。FFT 和 IFFT 現(xiàn)在經(jīng)常被用來加速 CNN 模型和一些經(jīng)典的線性目標(biāo)檢測器，這使得檢測速度提高了一個數(shù)量級。下圖為在頻域中加速線性目標(biāo)檢測器的標(biāo)準(zhǔn)傳輸途徑（如 HOG 和 DPM）。

降階近似

在深度網(wǎng)絡(luò)中，全連接層的計算本質(zhì)上是兩個矩陣的乘法。當(dāng)參數(shù)矩陣

較大時，檢測器的計算量較大。例如在Fast RCNN檢測器中，將近一半的前向傳遞時間用于計算全連接層。降秩近似是一種加速矩陣乘法的方法。它的目的是對矩陣W進行低秩分解：

其中U是由W的前t列左奇異向量構(gòu)成的

型矩陣，

是一個包含W前t個奇異值的

對角矩陣，V是由W的前t行右奇異向量構(gòu)成的

矩陣。上述過程也稱為截斷 SVD（Truncated SVD），將參數(shù)從

減少到

個，當(dāng)t遠小于

時效果顯著。截斷 SVD 可以2倍的效率加速 Fast RCNN 檢測器。