摘要

卷积神经网络的视场（Field of View, FOV）与其推理精度密切相关。空洞卷积（Dilated Convolutions）被广泛认为是解决大视场需求的有效方法。然而，对于通用硬件或专用硬件而言，处理空洞卷积通常比处理标准卷积需要额外的时间开销。本文提出了一种新型网络模块——级联可分空洞卷积（Cascaded and Separable Structure of Dilated, CASSOD）卷积，以及一种专门针对CASSOD网络优化的硬件系统，以实现高效计算。CASSOD-Net采用多个级联的 $2 \times 2$ 空洞卷积核，可在不降低推理精度的前提下替代传统的 $3 \times 3$ 空洞卷积核。本文选取人脸识别与图像分割两个典型应用，分别在空洞卷积与所提出的CASSOD模块上进行测试。实验结果表明，所提出的新型人脸识别网络在仅使用上下文模块中空洞卷积层47%的滤波器权重的情况下，仍能达到优于先前方法的精度。此外，所设计的专用硬件系统显著提升了空洞卷积的计算效率，在 $3 \times 3$ 滤波器尺寸下，其运算速度比传统硬件系统快2.78倍。