Does Removing Pooling Layers from Convolutional Neural Networks Improve Results?

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorUniversidade Federal de São Carlos (UFSCar)-
Autor(es): dc.contributorUniversidade Estadual Paulista (UNESP)-
Autor(es): dc.contributorPetrobras-
Autor(es): dc.creatorSantos, Claudio Filipi Goncalves dos-
Autor(es): dc.creatorMoreira, Thierry Pinheiro-
Autor(es): dc.creatorColombo, Danilo-
Autor(es): dc.creatorPapa, João Paulo-
Data de aceite: dc.date.accessioned2025-08-21T21:41:44Z-
Data de disponibilização: dc.date.available2025-08-21T21:41:44Z-
Data de envio: dc.date.issued2022-05-01-
Data de envio: dc.date.issued2022-05-01-
Data de envio: dc.date.issued2020-09-01-
Fonte completa do material: dc.identifierhttp://dx.doi.org/10.1007/s42979-020-00295-9-
Fonte completa do material: dc.identifierhttp://hdl.handle.net/11449/233900-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/233900-
Descrição: dc.descriptionDue to their number of parameters, convolutional neural networks are known to take long training periods and extended inference time. Learning may take so much computational power that it requires a costly machine and, sometimes, weeks for training. In this context, there is a trend already in motion to replace convolutional pooling layers for a stride operation in the previous layer to save time. In this work, we evaluate the speedup of such an approach and how it trades off with accuracy loss in multiple computer vision domains, deep neural architectures, and datasets. The results showed significant acceleration with an almost negligible loss in accuracy, when any, which is a further indication that convolutional pooling on deep learning performs redundant calculations.-
Descrição: dc.descriptionPetrobras-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)-
Descrição: dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionUFSCar Federal University of São Carlos-
Descrição: dc.descriptionUNESP State University of Sao Paulo-
Descrição: dc.descriptionCenpes Petróleo Brasileiro S.A. Petrobras, RJ-
Descrição: dc.descriptionUNESP State University of Sao Paulo-
Descrição: dc.descriptionPetrobras: #2017/00285-6-
Descrição: dc.descriptionFAPESP: #2017/25908-6-
Descrição: dc.descriptionFAPESP: #2018/15597-6-
Descrição: dc.descriptionFAPESP: #2019/07665-4-
Descrição: dc.descriptionCNPq: #307066/2017-7-
Descrição: dc.descriptionCNPq: #427968/2018-6-
Descrição: dc.descriptionFAPESP: \#2013/07375-0-
Descrição: dc.descriptionFAPESP: \#2014/12236-1-
Idioma: dc.languageen-
Relação: dc.relationSN Computer Science-
???dc.source???: dc.sourceScopus-
Palavras-chave: dc.subjectConvolutional neural networks-
Palavras-chave: dc.subjectGait recognition-
Palavras-chave: dc.subjectOptical character recognition-
Palavras-chave: dc.subjectPooling-
Título: dc.titleDoes Removing Pooling Layers from Convolutional Neural Networks Improve Results?-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.