Res2Net PretrainedModels

Res2net

L'implémentation officielle Pytorch du document "Res2Net: une nouvelle architecture d'épine dorsale à plusieurs échelles"

Notre article est accepté par les transactions IEEE sur l'analyse des modèles et l'intelligence machine (TPAMI) .

Mise à jour

• 2020.10.20 PADDLEPADDLE VERSION Res2NET atteint 85,13% TOP-1 ACC. Sur ImageNet: PaddlePaddle Res2Net.
• 2020.8.21 Demo en ligne pour la détection et la segmentation à l'aide de Res2Net est publié: http://mc.nankai.edu.cn/res2net-det
• 2020.7.29 Le code de formation de Res2Net sur ImageNet est publié https://github.com/res2net/res2net-imagenet-training (utilisation non commerciale uniquement)
• 2020.6.1 Res2Net est maintenant dans le zoo officiel du nouveau framework dee apprentissage en profondeur Jittor .
• 2020.5.21 RES2NET est maintenant l'un des os de base dans le framework mmdetection v2 https://github.com/open-mmlab/mmdetection. L'utilisation de MMDection V2 avec Res2Net réalise de meilleures performances avec moins de coûts de calcul.
• 2020.5.11 RES2NET réalise un gain de performance d'environ 2% sur la segmentation panoptique basée sur Detectron2 sans astuce. Nous avons publié notre code sur: https://github.com/res2net/res2net-dectron2.
• 2020. Nous avons publié notre code sur: https://github.com/res2net/mmdetection. Une comparaison détaillée entre notre méthode et HRNET, qui génère auparavant les meilleurs résultats, pourrait être trouvée à: https://github.com/res2net/mmdetection/tree/master/configs/res2net
• 2020.2.21: Modèles pré-entraînés de res2net_v1b avec plus de 2% d'amélioration de l'imageNet TOP1 ACC. Comparé à la version originale de Res2Net est publié! RES2NET_V1B atteint de bien meilleures performances lors du transfert à d'autres tâches telles que la détection d'objets et la segmentation sémantique.

Introduction

Nous proposons un nouveau bloc de construction pour CNNS, à savoir Res2Net, en construisant des connexions hiérarchiques de type résiduel dans un seul bloc résiduel. Le RES2NET représente les fonctionnalités multi-échelles à un niveau granulaire et augmente la plage de champs réceptifs pour chaque couche de réseau. Le bloc Res2Net proposé peut être branché sur les modèles CNN de squelette de pointe, par exemple, Resnet, Resnext, Biglittlenet et DLA. Nous évaluons le bloc Res2Net sur tous ces modèles et démontrons des gains de performances cohérents sur les modèles de base.

Module res2net

Utilisation

Exigence

Pytorch> = 0,4.1

Exemples

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

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

L'image d'entrée doit être normalisée comme suit:

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

(Par défaut, le modèle sera téléchargé automatiquement. Si le lien de téléchargement par défaut n'est pas disponible, veuillez vous référer au lien de téléchargement répertorié sur les modèles pré-étendus .)

Modèles pré-entraînés

modèle	#Params	MACC	Erreur du top-1	Erreur du top 5	Lien
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	25,72 m	4.5	19.73	4.96	Lien
Res2net-v1b-101	45.23m	8.3	18.77	4.64	Lien
Res2net-v1d-200-ssld	76.21m	15.7	14.87	2.58	Paddlepaddlelink

Nouvelles

• RES2NET_V1B est maintenant disponible.
• Vous pouvez charger le modèle pré-entraîné en utilisant pretrained = True .

Le lien de téléchargement du disque Baidu est maintenant disponible. (Mot de passe du disque Baidu: VBIX )

Applications

D'autres applications telles que la classification, la segmentation des instances, la détection d'objets, la segmentation sémantique, la détection d'objets saillants, la carte d'activation de la classe, la segmentation tumorale sur les scanneurs CT peuvent être trouvées sur https://mmcheng.net/res2net/.

Citation

Si vous trouvez que ce travail ou ce code est utile dans vos recherches, veuillez citer:

 @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}, 
}

Contact

Si vous avez des questions, n'hésitez pas à m'envoyer un e-mail via: shgao(at)live.com

Licence

Le code est publié dans le cadre de la licence publique internationale d'attribution de Creative Commons-NonCommercial-Sharealike 4.0 à usage non commercial uniquement. Toute utilisation commerciale doit d'abord obtenir une autorisation formelle.