Res2Net PretrainedModels

Res2net

La implementación oficial de Pytorch del documento "Res2net: una nueva arquitectura de colonca multicala"

Nuestro documento es aceptado por las transacciones IEEE en análisis de patrones e inteligencia artificial (TPAMI) .

Actualizar

• 2020.10.20 Versión de Paddlepaddle Res2net logra 85.13% Top-1 ACC. En Imagenet: Paddlepaddle Res2Net.
• 2020.8.21 La demostración en línea para detección y segmentación utilizando Res2Net se lanza: http://mc.nankai.edu.cn/res2net-det
• 2020.7.29 El código de entrenamiento de Res2Net en ImageNet se lanza https://github.com/res2net/res2net-imagenet-training (solo uso no comercial)
• 2020.6.1 Res2Net se encuentra ahora en el zoológico de modelo oficial del nuevo Jittor de marco de aprendizaje profundo.
• 2020. El uso de MMDetection V2 con Res2Net logra un mejor rendimiento con menos costo computacional.
• 2020.5.11 Res2Net logra aproximadamente el 2% de ganancia de rendimiento en la segmentación de la panóptica basada en Detectron2 sin truco. Hemos lanzado nuestro código en: https://github.com/res2net/res2net-detectron2.
• 2020.2.24 Nuestro res2net_v1b logra una ganancia de rendimiento considerable en MMDetection en comparación con los modelos columnas existentes. Hemos lanzado nuestro código en: https://github.com/res2net/mmdetection. La comparación detallada entre nuestro método y HRNet, que anteriormente genera mejores resultados, se puede encontrar en: https://github.com/res2net/mmdetection/tree/master/configs/res2net
• 2020.2.21: Modelos previos a la aparición de res2net_v1b con más del 2% de mejora en ImageNet Top1 ACC. ¡En comparación con la versión original de Res2Net se lanzan! Res2net_v1b logra un rendimiento mucho mejor cuando se transfiere a otras tareas, como la detección de objetos y la segmentación semántica.

Introducción

Proponemos un nuevo bloque de construcción para CNN, a saber, Res2Net, al construir conexiones jerárquicas de tipo residual dentro de un solo bloque residual. El RES2Net representa características de escala múltiple a nivel granular y aumenta el rango de campos receptivos para cada capa de red. El bloque RES2Net propuesto se puede conectar a los modelos CNN de última generación, por ejemplo, RESNET, ResNext, BigLittLenet y DLA. Evaluamos el bloque Res2Net en todos estos modelos y demostramos ganancias de rendimiento consistentes sobre los modelos de referencia.

Módulo res2net

De uso

Requisito

Pytorch> = 0.4.1

Ejemplos

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

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

La imagen de entrada debe normalizarse de la siguiente manera:

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

(De manera predeterminada, el modelo se descargará automáticamente. Si el enlace de descarga predeterminado no está disponible, consulte el enlace de descarga enumerado en modelos previos a la aparición ).

Modelos previos a la aparición

modelo	#Params	MACCS	Error de Top-1	Error de Top-5	Enlace
Res2net-50-48W-2S	25.29m	4.2	22.68	6.47	Onedrive
Res2net-50-26W-4s	25.70m	4.2	22.01	6.15	Onedrive
Res2net-50-14W-8s	25.06m	4.2	21.86	6.14	Onedrive
Res2net-50-26W-6S	37.05m	6.3	21.42	5.87	Onedrive
Res2net-50-26W-8S	48.40m	8.3	20.80	5.63	Onedrive
Res2net-101-26W-4s	45.21m	8.1	20.81	5.57	Onedrive
Res2Next-50	24.67m	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	Enlace
Res2net-v1b-101	45.23m	8.3	18.77	4.64	Enlace
Res2net-v1d-200-ssd	76.21m	15.7	14.87	2.58	Paddlepaddlelink

Noticias

• Res2net_v1b ya está disponible.
• Puede cargar el modelo de petróleo utilizando pretrained = True .

El enlace de descarga del disco de Baidu ya está disponible. (Contraseña de disco de Baidu: VBIX )

Aplicaciones

Otras aplicaciones como clasificación, segmentación de instancias, detección de objetos, segmentación semántica, detección de objetos sobresalientes, mapa de activación de clase, segmentación tumoral en tomografías computarizadas se pueden encontrar en https://mmcheng.net/res2net/.

Citación

Si encuentra que este trabajo o código es útil en su investigación, cite:

 @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}, 
}

Contacto

Si tiene alguna pregunta, no dude en enviarme un correo electrónico a través de: shgao(at)live.com

Licencia

El Código se publica bajo Creative Commons Attribution-No Commercial-Sharealike 4.0 Licencia pública internacional solo para uso no comercial. Cualquier uso comercial debe obtener el permiso formal primero.