表 5 展示了提高 ParNet 性能的其他方法 ， 例如使用更高分辨率的图像、更长的训练机制（200 个 epoch、余弦退火）和 10-crop 测试 。 这项研究有助于评估非深度模型在 ImageNet 等大规模数据集上可以实现的准确性 。

文章图片

MS-COCO (Lin 等 ， 2014) 是一个目标检测数据集 ， 其中包含具有常见对象的日常场景图像 。 研究者用 COCO-2017 数据集进行了评估 。 如下表 4 所示 ， 即使在单个 GPU 上 ， ParNet 也实现了比基线更高的速度 。 这阐明了如何使用非深度网络来制作快速目标检测系统 。

文章图片

表 6 总结了各种网络在 CIFAR10 和 CIFAR100 上的性能 。

文章图片

消融实验
为了测试是否可以简单地减少 ResNet 的深度并使它们变宽 ， 研究者测试了三个 ResNet 变体：ResNet12-Wide、ResNet14-Wide-BN 和 ResNet12-Wide-SSE 。 ResNet12-Wide 使用 ResNet 基础 block ， 深度为 12 ， 而 ResNet14-Wide-BN 使用 ResNet 瓶颈 block ， 深度为 14 。 表 7 展示了对网络架构和训练协议的各种设计的消融研究结果 ， 其中包括使用数据增强、SSE block 和 SiLU 激活函数的 3 种情况 。

文章图片

在表 10 中 ， 研究者评估了参数总数相同但分支数不同（ 1、2、3、4）的网络 。 实验表明 ， 对于固定数量的参数 ， 具有 3 个分支的网络具有最高的准确率 ， 并且在网络分辨率分别为 224x224 和 320x320 这两种情况下都是最优的 。

文章图片

另一种网络并行化的方法是创建由多个网络组成的集合体 。 因此 ， 该研究将 ParNet 和集成的网络进行对比 。 如下表 9 所示 ， 当使用较少的参数时 ， ParNet 的性能优于集成的网络 。

文章图片