Reducing Spatial Redundancy in Convolutional Neural Networks with Octave Convolution论文复现及对比结果

一、结论：

octave网络对Resnet这类运算量较大的网络有较好的增速效果，但是对于mobilenet这类已经对计算量进行过优化的网络，增速效果不理想甚至会造成减速

二、测试结果：

		FLOPs(10^9)		MACs(Multiply-Accumulation)		ops	interence time(ms)
mobilenetv1		3709200000		185417728		29	68.274
oct0.375-mobilenetv1		2776100000		138091264		210	164.367
resnet50		26700000000		1336492032		92	2026.152
oct0.125-resnet50		22300000000		1108500480		767	2448.919
oct0.5-resnet50		12200000000		606781440		767	1569.605
oct0.75-resnet50		8547000000		424181760		767	1127.313

 

说明：

1.输入图像尺寸为：128*128

2.测试时间为在我们的硬件arm上运行的时间

3.FLOPs为浮点运算量，是论文中主要关注点

4.未对网络各参数进行尝试，因此准确率为出现在结果中

详细分析：

mobilenet:(3709200000-2776100000)/3709200000=0.25

resnet50:(267-122)/267=0.54

当octave网络无法对FLOPs进行大比例的减少时，无法达到加速效果，甚至会造成减速，因此原论文中大多对ResNet、Denset这类未对FLOPs进行优化，并且FLOPs较大的网络进行验证

三、原文复现：

	0	0.125	0.25	0.5	0.75
resnet26	1.53	1.28	1.06	0.719	0.513
resnet50	2.67	2.23	1.83	1.22	0.855
resnet101	5.1	4.23	3.47	2.29	1.58
mobilenetv1	0.37092	0.34222	0.30985	0.24511	0.18037

 

原文截图：