【CVPR2020-清华大学】分辨率自适应网络的有效推理，Resolution Adaptive Networks

近年来，自适应推理因其计算效率高而受到越来越多的关注。不同于现有的工作,主要利用架构适应网络冗余设计,在本文中,我们关注的空间冗余输入样本,并提出一种新颖的分辨率自适应网络(RANet)。我们的动机是，低分辨率表示对于包含规范对象的“简单”样本的分类是足够的，而高分辨率特征对于识别一些“困难”对象是有用的。在RANet中，输入图像首先被路由到一个轻量级的子网络，这个子网络能够有效地提取粗糙的特征图，并且具有高可信度预测的样本将会很早就从这个子网络中退出。只有那些先前预测不可靠的“硬”样本才会激活高分辨率路径。通过自适应地处理不同分辨率的特征，可以显著提高RANet的计算效率。在三个分类基准测试任务(CIFAR-10、CIFAR-100和ImageNet)上的实验证明了该模型在任意时间预测设置和预算批量分类设置中的有效性。