Res2Net PretrainedModels

Res2net

Das offizielle Pytorch-Implemention des Papiers "RES2NET: Eine neue mehrskalige Backbone-Architektur"

Unser Papier wird durch IEEE -Transaktionen zur Musteranalyse und Machine Intelligence (TPAMI) akzeptiert.

Aktualisieren

• 2020.10.20 Paddlepaddle Version Res2net erreicht 85,13% Top-1 ACC. auf ImageNet: Paddlepaddle Res2net.
• 2020.8.21 Online-Demo zur Erkennung und Segmentierung mit RES2NET wird veröffentlicht: http://mc.nankai.edu.cn/res2net-det
• 2020.7.29 Der Trainingscode von Res2NET auf Imagineet wird veröffentlicht https://github.com/res2net/res2net-imagenet-training (nur nicht-commercial-Verwendung)
• 2020.6.1 Res2net befindet sich jetzt im offiziellen Modellzoo des neuen Deep Learning Framework Jittor .
• 2020.5.21 res2net ist jetzt eines der grundlegenden Knochebones in mmdetektion v2 Framework https://github.com/open-mmlab/mmdetionction. Die Verwendung von mmdetction v2 mit rES2NET erzielt eine bessere Leistung mit weniger Rechenkosten.
• 2020.5.11 RES2NET erreicht etwa 2% Leistungsgewinn bei der panoptischen Segmentierung basierend auf DETECTRON2 ohne Trick. Wir haben unseren Code veröffentlicht: https://github.com/res2net/res2net-dectectron2.
• 2020.2.24 Unsere res2net_v1b erzielt im Vergleich zu vorhandenen Rückgrat -Modellen einen erheblichen Leistungsverstärkung bei der MMDetektion. Wir haben unseren Code veröffentlicht: https://github.com/res2net/mmdetction. Detaillierter Vergleich zwischen unserer Methode und HRNET, die zuvor die besten Ergebnisse generiert, finden Sie unter: https://github.com/res2net/mmdection/tree/master/configs/res2net
• 2020.2.21: Vorbereitete Modelle von Res2NET_V1B mit einer Verbesserung der ImageNet Top1 ACC. Im Vergleich zur Originalversion von Res2NET werden veröffentlicht! Res2net_v1b erzielt eine viel bessere Leistung bei der Übertragung auf andere Aufgaben wie Objekterkennung und semantische Segmentierung.

Einführung

Wir schlagen einen neuartigen Baustein für CNNs vor, nämlich Res2net, indem wir hierarchische Restverbindungen innerhalb eines einzelnen Restblocks konstruieren. Das RES2NET repräsentiert mehrräumige Merkmale auf granularer Ebene und erhöht den Bereich der Empfangsfelder für jede Netzwerkschicht. Der vorgeschlagene RES2NET-Block kann in die hochmodernen Backbone-CNN-Modelle, z. B. Resnet, Resnext, Biglittlenet und DLA angeschlossen werden. Wir bewerten den RES2NET -Block an all diesen Modellen und zeigen konsistente Leistungsgewinne gegenüber Basismodellen.

RES2NET -Modul

Useage

Erfordernis

Pytorch> = 0.4.1

Beispiele

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

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

Eingabebild sollte wie folgt normalisiert werden:

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

(Standardmäßig wird das Modell automatisch heruntergeladen. Wenn der Standard -Download -Link nicht verfügbar ist, lesen Sie bitte den Download -Link, der auf vorbereiteten Modellen aufgeführt ist.)

Vorbereitete Modelle

Modell	#Params	MACCS	Top-1-Fehler	Top-5-Fehler	Link
Res2NET-50-48W-2S	25,29 m	4.2	22.68	6.47	OneDrive
Res2net-50-26W-4s	25,70 m	4.2	22.01	6.15	OneDrive
Res2NET-50-14W-8s	25,06 m	4.2	21.86	6.14	OneDrive
Res2net-50-26W-6s	37,05 m	6.3	21.42	5.87	OneDrive
Res2NET-50-26W-8s	48,40 m	8.3	20.80	5.63	OneDrive
Res2net-101-26W-4s	45,21 m	8.1	20.81	5.57	OneDrive
Res2next-50	24,67 m	4.2	21.76	6.09	OneDrive
Res2net-DLA-60	21,15 m	4.2	21.53	5.80	OneDrive
Res2next-dla-60	17,33 m	3.6	21.55	5.86	OneDrive
Res2net-V1B-50	25,72 m	4.5	19.73	4.96	Link
Res2net-V1B-101	45,23 m	8.3	18.77	4.64	Link
Res2net-V1D-200-SSLD	76,21 m	15.7	14.87	2.58	Paddlepaddlelink

Nachricht

• Res2net_v1b ist jetzt verfügbar.
• Sie können das vorgezogene Modell mithilfe von pretrained = True laden.

Der Download -Link von Baidu Disk ist ab sofort verfügbar. (Baidu -Festplattenkennwort: VBIX )

Anwendungen

Andere Anwendungen wie Klassifizierung, Instanzsegmentierung, Objekterkennung, semantische Segmentierung, herausragende Objekterkennung, Klassenaktivierungskarte, Tumorsegmentierung auf CT -Scans finden Sie unter https://mmcheng.net/res2net/.

Zitat

Wenn Sie feststellen, dass diese Arbeit oder Code in Ihrer Recherche hilfreich ist, zitieren Sie bitte:

 @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}, 
}

Kontakt

Wenn Sie Fragen haben, können Sie mir per E-Mail über: shgao(at)live.com senden

Lizenz

Der Code wird unter der Creative Commons Attribution-Noncommercial-sharealike 4.0 International Public Lizenz nur für nichtkommerzielle Verwendung veröffentlicht. Jede kommerzielle Nutzung sollte zuerst eine formelle Erlaubnis erhalten.