DSConvNet: A Lightweight Architecture for Extracting Image Features From Depthwise Separable Convolution Network for Edge Devices
Notice bibliographique
Résumé
This paper presents DSConvNet, a novel architecture based on depthwise separable convolutional blocks for efficient multi-class image classification. Despite progress in compact convolutional neural networks (CNNs), many existing models still impose high computational costs on resource‑constrained devices, limiting their real‑time applicability. To address this, DSConvNet employs four optimized DSConvNet blocks that reduce parameters, accelerate inference, and stabilize training. Each block combines a 2‑D convolution, depthwise convolution, batch normalization, and max‑pooling, forming an efficient yet expressive feature extractor. The resulting architecture achieves lower complexity, mitigates overfitting, and improves generalization. DSConvNet was evaluated on nine benchmark datasets GTSRB, BTSC, CIFAR‑10, CIFAR‑100, MNIST, Fashion‑MNIST, Imagewoof, Imagenette, and Caltech‑101 covering 100 object categories. Without GPU acceleration, the model attained 99.10% accuracy on GTSRB and 98.90% on BTSC, confirming its suitability for real‑time edge-based image classification under limited computational resources.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».