MAFDNet：复杂环境下图像自适应分类新方法

复杂环境下，往往困难样本和简单样本并存，现有分类方法主要针对困难样本进行设计，所构建网络用于分类简单样本时会造成计算资源的浪费；而网络修剪和权重量化等方法则不能同时兼顾模型的准确度和存储开销。为提升计算资源的使用效率并有更好的准确率，本文着眼于输入样本的空间冗余，提出了复杂环境下图像自适应分类网络MAFDNet，并引入置信度作为分类准确性的判断，同时提出了由内容损失、融合损失和分类损失组成的自适应损失函数。MAFDNet由3个子网组成，输入图像首先被送入到低分辨率子网中，该子网有效提取了低分辨率的特征，具有高置信度的样本先被识别并从网络中提前退出，低置信度的样本则需要依次进入更高分辨率的子网中，而网络中的高分辨率子网具有识别困难样本的能力。MAFDNet将分辨率自适应和深度自适应结合在一起，通过实验表明，在相同计算资源条件下，MAFDNet在CIFAR-10、CIFAR-100和ImageNet这3个复杂环境数据集上的top-1准确率均得到提升。