Res2Net PretrainedModels

Res2net

A implementação oficial de Pytorch do artigo "Res2Net: uma nova arquitetura de backbone em várias escalas"

Nosso artigo é aceito pelas transações do IEEE sobre análise de padrões e inteligência de máquina (TPAMI) .

Atualizar

• 2020.10.20 Paddlepddle Versão Res2Net atinge 85,13% TOP-1 ACC. No ImageNet: Paddlepaddle Res2Net.
• 2020.8.21 Demoção on-line para detecção e segmentação usando res2net é lançado: http://mc.nankai.edu.cn/res2net-det
• 2020.7.29 O Código de Treinamento do Res2Net no ImageNet é lançado https://github.com/res2net/res2net-imagenet-tring (somente uso não comercial)
• 2020.6.1 Res2Net está agora no modelo oficial do zoológico do novo Jittor de Estrutura de Aprendizagem Deep.
• 2020.5.21 RES2NET é agora um dos ossos básicos na estrutura MMDETECTION V2 https://github.com/open-mmlab/mmdetecção. O uso do MMDETECTION V2 com RES2NET atinge melhor desempenho com menor custo computacional.
• 2020.5.11 O RES2NET atinge cerca de 2% de ganho de desempenho na segmentação panóptica com base no Detectron2 sem truques. Lançamos nosso código em: https://github.com/res2net/res2Net-DeTetron2.
• 2020.2.24 Nosso RES2NET_V1B atinge um ganho de desempenho considerável na mmDetection em comparação com os modelos de backbone existentes. Lançamos nosso código em: https://github.com/res2net/mmdetecção. A comparação detalhada entre nosso método e HRNET, que anteriormente gera melhores resultados, pode ser encontrada em: https://github.com/res2net/mmdetection/tree/master/configs/res2net
• 2020.2.21: Modelos pré -gravados de res2net_v1b com melhoria de mais de 2% no ImageNet TOP1 ACC. Comparado com a versão original do RES2NET, são lançados! Res2net_v1b alcança um desempenho muito melhor ao transferir para outras tarefas, como detecção de objetos e segmentação semântica.

Introdução

Propomos um novo bloco de construção para CNNs, como res2Net, construindo conexões residuais hierárquicas em um único bloco residual. O RES2NET representa recursos em várias escalas em nível granular e aumenta a faixa de campos receptivos para cada camada de rede. O bloco res2NET proposto pode ser conectado aos modelos CNN de backbone de última geração, por exemplo, resnet, ressext, biglittlenet e DLA. Avaliamos o bloco Res2Net em todos esses modelos e demonstramos ganhos de desempenho consistentes sobre os modelos basais.

Módulo Res2Net

USEAGE

Exigência

Pytorch> = 0.4.1

Exemplos

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

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

A imagem de entrada deve ser normalizada da seguinte maneira:

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

(Por padrão, o modelo será baixado automaticamente. Se o link de download padrão não estiver disponível, consulte o link de download listado em modelos pré -terenciados .)

Modelos pré -terem sido pretados

modelo	#Params	MACCS	Erro top-1	Top-5 Erro	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

Notícias

• RES2NET_V1B está agora disponível.
• Você pode carregar o modelo pré -treinado usando pretrained = True .

O link de download do Baidu Disk já está disponível. (Senha do disco Baidu: VBix )

Aplicações

Outras aplicações, como classificação, segmentação de instância, detecção de objetos, segmentação semântica, detecção de objetos salientes, mapa de ativação de classe, segmentação de tumores nas varreduras de TC podem ser encontradas em https://mmcheng.net/res2net/.

Citação

Se você achar que este trabalho ou código é útil em sua pesquisa, 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}, 
}

Contato

Se você tiver alguma dúvida, sinta-se à vontade para me enviar um e-mail via: shgao(at)live.com

Licença

O código é divulgado sob a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International Public License apenas para uso não comercial. Qualquer uso comercial deve obter permissão formal primeiro.