【神经网络架构】Pyramid Convolution(金字塔卷积模块)论文笔记
来源 | 极链AI云(性价比最高的共享GPU算力平台,双节活动进行中 9.25-10.1,新人注册可领取限定258元大礼包,价值100+小时的免费使用时长,领取地址:https://cloud.videojj.com/)
作者 | 小仇【极链AI云技术原创奖励计划】
原文地址 | 【神经网络架构】Pyramid Convolution(金字塔卷积模块)论文笔记(官网论坛)
今年论文提出很多是,在一般backbone上通过添加小模块用于提升分类分割目标检测等任务的精度。下面介绍DeepMind提出的Pyramidal Convolution:Rethinking Convolutional Neural Networks for Visual Recognition
论文链接:https://arxiv.org/pdf/2006.11538.pdf
源码链接:https://github.com/iduta/pyconv
Motivation
尽可能引入少的参数和计算代价,增大backbone的感受野。
Method
类似Inception分支和ASPP模块,提出使用不同卷积核的多分支网络。与类似模块大部分使用不同空洞卷积核的是PyConv提出使用分组卷积的思想。
PyConv中多分支使用不同大小的卷积核,论文中包括33,55,77,99的卷积核。一般的,较小的卷积核感受野较小,可以得到小目标和局部细节信息。较大的卷积核感受野较大,可以得到大目标和全局语义信息。
分组卷积是将输入特征图切分成不同组,使用卷积核独立处理。论文中提出两个版本,PyConv和PyHGConv。PyConv中使用相对较小的分组数,包括16,8,4,2。PyHGConv使用较大的分组数,包括32和64。
在backbone结合时考虑到特征图的空间尺寸减小,分支数逐渐减少。最初阶段特征图通过四个分支,最后阶段特征图仅使用一个分支。
语义分割任务中在一般网络中添加局部PyConv模块和全局PyConv模块。这两个模块都包括使用1*1卷积将通道数增加到512,后使用四分支的PyConv模块,卷积核包括9,7,5,3,分组数分别为16,8,4,2。不同的是全局PyConv模块需要使用Adaptive平均池化层减少特征图大小同时提取全局特征。PyConv分支后使用上采样恢复原始尺寸。之后将局部PyConv提取的特征和全局PyConv提取的特征合并。
Experiment
该模块在ImageNet图像分类数据集任务上表现如下:
近年知名插件比较如下:
该模块在ADE20k语义分割数据集上表现如下:
想要认识更多深度学习小伙伴,交流更多技术问题,欢迎关注公众号“极链AI云”(为你提供性价比最高的共享算力平台,官网地址:https://cloud.videojj.com/)
【神经网络架构】Pyramid Convolution(金字塔卷积模块)论文笔记相关推荐
- Scale-Equalizing Pyramid Convolution for Object Detection 论文笔记
前言 特征金字塔是解决多尺度目标检测的有效方式,但是在特征金字塔中,不同层级的特征中所包含的语义信息相差很大,这可能会无法得到最优的检测结果.为了解决这个问题,人们提出了很多不同的特征融合策略,目的是 ...
- Scale-Equalizing Pyramid Convolution for Object Detection论文阅读
摘要 特征金字塔是一种提取不同尺度特征的有效放法.该方法的发展主要集中在不同层次的上下文融合,而很少涉及特征金字塔的层间相关性. 早期的计算机视觉方法通过定位空间与尺度维度上的特征极值来提取尺度不变特 ...
- 卷积-CNN-GCN-LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation论文笔记
参考博客:https://www.zhihu.com/question/54504471/answer/332657604 1. 卷积 连续: ( f ∗ g ) ( n ) = ∫ − ∞ + ∞ ...
- Feature Pyramid Networks for Object Detection 论文笔记
版权声明:本文为博主原创文章,未经博主允许不得转载. https://blog.csdn.net/Jesse_Mx/article/details/54588085 论文地址:Feature Pyra ...
- LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation 论文笔记
目录 1.简介 1.1 背景介绍 1.2 摘要 1.3 主要贡献 2. 准备工作 2.1 NGCF 2.2 对NGCF的实证探索 3. LightGCN模型 3.1 Light Graph Convo ...
- 论文解读丨基于局部特征保留的图卷积神经网络架构(LPD-GCN)
本文分享自华为云社区<论文解读:基于局部特征保留的图卷积神经网络架构(LPD-GCN)>,原文作者:PG13 . 近些年,很多研究者开发了许多基于图卷积网络的方法用于图级表示学习和分类应用 ...
- CVPR 2020 SEPC论文解析:使用尺度均衡金字塔卷积做目标检测
点击上方"AI公园",关注公众号,选择加"星标"或"置顶" 导读 只说重要的,计算量基本不变,涨AP,3.5个点! 论文:https://a ...
- 【论文解读】CVPR 2020 SEPC论文解析:使用尺度均衡金字塔卷积做目标检测
导读 只说重要的,计算量基本不变,涨AP,3.5个点! 论文:https://arxiv.org/abs/2005.03101 代码:https://github.com/jshilong/SEPC ...
- 全卷积神经网络(FCN)论文笔记
全卷积神经网络(FCN)论文笔记 Fully Convolutional Networks for Semantic Segmentation Abstract 卷积网络是一种功能强大的视觉模型,可以 ...
- 金字塔卷积 Pyramidal Convolution
作者认为,当前CNN主要存在两个不足:(1)实际的感受野不足:(2)在下采样中,很多的细节信息会丢失. 从图中可以看出,有的物体尺寸较大(建筑.沙发),有的物体尺寸较小(行人,书本).这种尺寸的变化是 ...
最新文章
- rstp 小米网络摄像头_国家部门调查联邦美国快递,联通VoLTE试商用开启,iOS蜂窝网络下载上限提高,小米申请屏下摄像头专利,这就是今天的其他大新闻!...
- 老李分享:Web Services 组件 1
- 【LeetCode】50. Pow(x, n) (3 solutions)
- 3d旋转相册代码源码_原生 JS 实现 3D 立方体
- python函数返回值_Python中函数的返回值示例浅析
- SAP Spartacus 标准的 Effects 实现的注入原理
- 超4000人参加源码共读,喊你来一起学习成长~打开新世界
- 普通筛法时间界的证明
- asp.net 2.0 下的表单验证Cookieless属性
- php自动按天清空库存,swoole+PHP实现自动取消订单,还原库存等操作
- 数据库的相关语句(where,order by)
- mysql简介博客_mysql简介
- 初识 Node.js
- 阿里巴巴产品经理面试主观题
- VirtualBox Linux 安装增强工具
- 输入一个正整数数组,输入一个正整数数组,把数,打印能拼接出的所有数字中最小的一个。例如输入数组{3,32,321},则打印出这三个数字能排成的最小数字为321323。
- 【转载】日志等级及使用情形
- 移动机会网络中的节点分簇路由算法
- 最大连续登录天数统计对应的用户数分布的三种实现方式(HQL+Spark Rdd)
- 游戏中常用英文术语(动态更新)