Philosophy We strive to create an environment conducive to many different types of research across many different time scales and levels of risk. Learn more about our Philosophy Learn more
![Google AI Blog: Semantic Image Segmentation with DeepLab in TensorFlow](https://cdn-ak-scissors.b.st-hatena.com/image/square/098658fed81cfa5cbb2acc122625b073b7cb203e/height=288;version=1;width=512/https%3A%2F%2F2.bp.blogspot.com%2F-meO7Y3kMxSg%2FWqMOKHbslrI%2FAAAAAAAACd8%2FETeZFnYylbYylXwhCtivPTsZ9vaWYikSwCLcBGAs%2Fw1200-h630-p-k-no-nu%2Fimage1.png)
はじめに MobileNet系の高速なモデルアーキテクチャに利用される構成要素と、それらを利用したモデルについて、何故高速なのか観点と、空間方向の畳み込みとチャネル方向の畳み込みがどのようになされているかという観点で整理を行う。 高速なモデルアーキテクチャに利用される構成要素 まず、高速なモデルに利用される畳み込み構成要素について、計算量と、空間方向の畳み込みとチャネル方向の畳み込みがどのようになっているかを説明する。 まず、一般的な畳み込みの計算量を確認する。 入力特徴マップのサイズを$H \times W$、入力チャネル数を$N$、カーネルサイズを$K \times K$、出力チャネル数を$M$とすると、一般的な畳み込み層の計算量は、$H W N K^2 M$となる。 これは、入力特徴マップの1箇所につき畳み込みのコストが$K^2 N$で、これを入力特徴マップの$H W$箇所に適用する
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く