Res2Net PretrainedModels

res2net

تطبيق Pytorch الرسمي للورقة "res2net: بنية عمل فقيرة جديدة متعددة النطاق"

يتم قبول ورقةنا من خلال معاملات IEEE على تحليل الأنماط وذكاء الآلة (TPAMI) .

تحديث

• 2020.10.20 PANDLEPADDLE إصدار Res2Net يحقق 85.13 ٪ Top-1 ACC. على ImageNet: paddlepaddle res2net.
• 2020.8.21 تم إصدار العرض التوضيحي عبر الإنترنت للكشف والتجزئة باستخدام res2net: http://mc.nankai.edu.cn/res2net-det
• 2020.7.29 تم إصدار رمز التدريب لـ Res2Net على ImageNet https://github.com/res2net/res2net-imagenet-training (الاستخدام غير التجاري فقط)
• 2020.6.1 res2net الآن في حديقة الحيوان الرسمية من إطار التعلم العميق الجديد Jittor .
• 2020.5.21 res2net هي الآن واحدة من عظام العظام الأساسية في إطار MMDetection V2 https://github.com/open-mmlab/mmdetection. باستخدام MMDetection V2 مع res2net يحقق أداء أفضل مع تكلفة حسابية أقل.
• 2020.5.11 Res2Net يحقق حوالي 2 ٪ من زيادة الأداء على تجزئة panoptic استنادًا إلى detectron2 مع عدم وجود خدعة. لقد أصدرنا الكود الخاص بنا على: https://github.com/res2net/res2net-detron2.
• 2020.2.24 يحقق Res2NET_V1B كسب أداء كبير على MMDETECELS مقارنة بنماذج العمود الفقري الحالي. لقد أصدرنا الكود الخاص بنا على: https://github.com/res2net/mmdetection. يمكن العثور على مقارنة مفصلة بين طريقتنا و HRNET ، والتي تقوم سابقًا بإنشاء أفضل النتائج ، على: https://github.com/res2net/mmdetection/tree/master/configs/res2net
• 2020.2.21: نماذج pretRained من res2net_v1b مع أكثر من 2 ٪ تحسن على ImageNet Top1 ACC. مقارنة مع الإصدار الأصلي من res2net يتم إصداره! يحقق Res2NET_V1B أداءً أفضل بكثير عند النقل إلى مهام أخرى مثل اكتشاف الكائنات والتجزئة الدلالية.

مقدمة

نقترح لبنة بناء جديدة لـ CNNs ، وهي Res2Net ، عن طريق بناء اتصالات تشبه المتبقية الهرمية داخل كتلة واحدة متبقية. يمثل RES2NET ميزات متعددة النطاق على مستوى محبب ويزيد من نطاق الحقول المستقبلية لكل طبقة شبكة. يمكن توصيل كتلة res2net المقترحة في نماذج CNN الفقرية الحديثة ، على سبيل المثال ، Resnet ، Resnext ، Biglittlenet ، و DLA. نقوم بتقييم كتلة res2net على جميع هذه النماذج ونظهر مكاسب الأداء المتسقة على النماذج الأساسية.

وحدة Res2Net

useage

متطلبات

Pytorch> = 0.4.1

أمثلة

 git clone https://github.com/gasvn/Res2Net.git

from res2net import res2net50
model = res2net50(pretrained=True)

يجب تطبيع صورة الإدخال على النحو التالي:

 normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406],
                                  std=[0.229, 0.224, 0.225])

(افتراضيًا ، سيتم تنزيل النموذج تلقائيًا. إذا لم يكن رابط التنزيل الافتراضي متاحًا ، فيرجى الرجوع إلى رابط التنزيل المدرج في الطرز المسبق .)

نماذج ما قبل

نموذج	#Params	Maccs	خطأ أعلى	خطأ أعلى 5	وصلة
res2net-50-48w-2s	25.29m	4.2	22.68	6.47	onedrive
res2net-50-26w-4s	25.70 م	4.2	22.01	6.15	onedrive
res2net-50-14W-8S	25.06 م	4.2	21.86	6.14	onedrive
res2net-50-26w-6s	37.05 م	6.3	21.42	5.87	onedrive
res2net-50-26w-8s	48.40 م	8.3	20.80	5.63	onedrive
res2net-101-26W-4S	45.21m	8.1	20.81	5.57	onedrive
res2next-50	24.67 م	4.2	21.76	6.09	onedrive
res2net-DLA-60	21.15m	4.2	21.53	5.80	onedrive
Res2next-DLA-60	17.33m	3.6	21.55	5.86	onedrive
res2net-V1B-50	25.72m	4.5	19.73	4.96	وصلة
res2net-V1B-101	45.23m	8.3	18.77	4.64	وصلة
res2net-V1d-200-SSLD	76.21 م	15.7	14.87	2.58	paddlepaddlelink

أخبار

• Res2NET_V1B متاح الآن.
• يمكنك تحميل النموذج المسبق باستخدام pretrained = True .

رابط التنزيل من قرص Baidu متاح الآن. (كلمة مرور قرص بايدو: VBIX )

التطبيقات

يمكن العثور على تطبيقات أخرى مثل التصنيف ، تجزئة المثيل ، الكشف عن الكائنات ، تجزئة الدلالي ، الكشف عن الكائنات البارزة ، خريطة تنشيط الفئة ، تجزئة الورم على فحوصات التصوير المقطعي على https://mmcheng.net/res2net/.

اقتباس

إذا وجدت أن هذا العمل أو الرمز مفيد في بحثك ، فيرجى الاستشهاد:

 @article{gao2019res2net,
  title={Res2Net: A New Multi-scale Backbone Architecture},
  author={Gao, Shang-Hua and Cheng, Ming-Ming and Zhao, Kai and Zhang, Xin-Yu and Yang, Ming-Hsuan and Torr, Philip},
  journal={IEEE TPAMI},
  year={2021},
  doi={10.1109/TPAMI.2019.2938758}, 
}

اتصال

إذا كان لديك أي أسئلة ، فلا تتردد في إرسال بريد إلكتروني لي عبر: shgao(at)live.com

رخصة

يتم إصدار الرمز تحت إسناد المشاع الإبداعي-Noncommercial-Sharealike 4.0 الدولي للترخيص العام للاستخدام غير التجاري فقط. يجب أن يحصل أي استخدام تجاري على إذن رسمي أولاً.