Res2Net PretrainedModels

Res2net

Implementasi Pytorch resmi dari makalah ini "Res2Net: Arsitektur Backbone Multi-Skala Baru"

Makalah kami diterima oleh transaksi IEEE tentang analisis pola dan kecerdasan mesin (TPAMI) .

Memperbarui

• 2020.10.20 Versi Paddlepaddle Res2Net mencapai 85,13% Top-1 Acc. di Imagenet: Paddlepaddle res2net.
• 2020.8.21 Demo online untuk deteksi dan segmentasi menggunakan res2net dirilis: http://mc.nankai.edu.cn/res2net-det
• 2020.7.29 Kode pelatihan res2net di ImageNet dirilis https://github.com/res2net/res2net-imagenet-training (hanya penggunaan non-komersial)
• 2020.6.1 Res2Net sekarang berada di kebun binatang model resmi dari Jittor Kerangka Pembelajaran DEEP yang baru.
• 2020.5.21 Res2Net sekarang menjadi salah satu tulang tulang dasar dalam mmdetection v2 Framework https://github.com/open-mmlab/mmdetection. Menggunakan MMDetection V2 dengan Res2Net mencapai kinerja yang lebih baik dengan biaya komputasi lebih sedikit.
• 2020.5.11 Res2Net mencapai sekitar 2% kenaikan kinerja pada segmentasi panoptik berdasarkan detectron2 tanpa trik. Kami telah merilis kode kami di: https://github.com/res2net/res2net-detectron2.
• 2020.2.24 res2net_v1b kami mencapai kenaikan kinerja yang cukup besar pada mMdeteksi dibandingkan dengan model backbone yang ada. Kami telah merilis kode kami di: https://github.com/res2net/mmdetection. Perbandingan terperinci antara metode kami dan HRNET, yang sebelumnya menghasilkan hasil terbaik, dapat ditemukan di: https://github.com/res2net/mmdetection/tree/master/configs/res2net
• 2020.2.21: Model pretrain res2net_v1b dengan lebih dari 2% peningkatan pada ImageNet Top1 Acc. Dibandingkan dengan versi asli res2net dirilis! Res2net_v1b mencapai kinerja yang jauh lebih baik ketika ditransfer ke tugas -tugas lain seperti deteksi objek dan segmentasi semantik.

Perkenalan

Kami mengusulkan blok bangunan baru untuk CNNs, yaitu res2net, dengan membangun koneksi seperti residu hierarkis dalam satu blok residu tunggal. Res2Net mewakili fitur multi-skala pada tingkat granular dan meningkatkan kisaran bidang reseptif untuk setiap lapisan jaringan. Blok res2net yang diusulkan dapat dicolokkan ke model CNN backbone canggih, misalnya, resnet, resnext, biglittlenet, dan dla. Kami mengevaluasi blok res2net pada semua model ini dan menunjukkan keuntungan kinerja yang konsisten pada model awal.

Modul res2net

Penggunaan

Persyaratan

Pytorch> = 0.4.1

Contoh

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

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

Gambar input harus dinormalisasi sebagai berikut:

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

(Secara default, model akan diunduh secara otomatis. Jika tautan unduhan default tidak tersedia, silakan merujuk ke tautan unduhan yang tercantum pada model pretrained .)

Model pretrained

model	#Params	MacCS	kesalahan top-1	Kesalahan Top-5	Link
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	Link
Res2net-v1b-101	45.23m	8.3	18.77	4.64	Link
Res2net-v1d-200-ssld	76.21m	15.7	14.87	2.58	Paddlepaddlelink

Berita

• Res2net_v1b sekarang tersedia.
• Anda dapat memuat model pretrained dengan menggunakan pretrained = True .

Tautan unduhan dari disk Baidu sekarang tersedia. (Kata Sandi Disk Baidu: VBIX )

Aplikasi

Aplikasi lain seperti klasifikasi, segmentasi instan, deteksi objek, segmentasi semantik, deteksi objek yang menonjol, peta aktivasi kelas, segmentasi tumor pada CT scan dapat ditemukan di https://mmcheng.net/res2net/.

Kutipan

Jika Anda menemukan pekerjaan atau kode ini bermanfaat dalam penelitian Anda, silakan kutip:

 @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}, 
}

Kontak

Jika Anda memiliki pertanyaan, silakan kirim email kepada saya melalui: shgao(at)live.com

Lisensi

Kode ini dirilis di bawah lisensi publik internasional Creative Commons Atribution-NonCommercial-Sharealike 4.0 hanya untuk penggunaan nonkomersial saja. Setiap penggunaan komersial harus mendapatkan izin formal terlebih dahulu.