Res2Net PretrainedModels

Res2net

Официальное внедрение Pytorch бумаги "Res2net: новая многомасштабная архитектура магистралей"

Наша статья принимается транзакциями IEEE по анализу шаблонов и машинного интеллекта (TPAMI) .

Обновлять

• 2020.10.20 Версия PaddlePaddle Res2net достигает 85,13% Top-1 Acc. На ImageNet: PaddlePaddle Res2net.
• 2020.8.21 Онлайн демо для обнаружения и сегментации с использованием Res2net выпускается: http://mc.nankai.edu.cn/res2net-det
• 2020.7.29 Код обучения Res2net на ImageNet выпущен https://github.com/res2net/res2net-imagenet training (только некоммерческое использование)
• 2020.6.1 Res2net сейчас находится в официальном зоопарке новой основы глубокого обучения Jittor .
• 2020.5.21 Res2net теперь является одним из основных костей в структуре MMDetection v2 https://github.com/open-mmlab/mmdetection. Использование MMDetection V2 с RES2NET достигает лучшей производительности с меньшими вычислительными затратами.
• 2020.5.11 RES2NET достигает около 2% прироста производительности при паноптической сегментации на основе Detectron2 без какого -либо хитрости. Мы выпустили наш код на: https://github.com/res2net/res2net-detectron2.
• 2020.2.24 Наш res2net_v1b достигает значительного прироста производительности при MMDetection по сравнению с существующими моделями магистралей. Мы выпустили наш код на: https://github.com/res2net/mmdetection. Подробное сравнение между нашим методом и HRNet, которое ранее генерирует наилучшие результаты, можно найти по адресу: https://github.com/res2net/mmdetection/tree/master/configs/res2net
• 2020.2.21: Предварительные модели Res2net_v1b с более чем 2% улучшением на ImageNet Top1 Acc. По сравнению с оригинальной версией Res2net выпущены! Res2net_v1b достигает гораздо лучшей производительности при передаче на другие задачи, такие как обнаружение объектов и семантическая сегментация.

Введение

Мы предлагаем новый строительный блок для CNN, а именно Res2net, путем построения иерархических остатоподобных соединений в одном остаточном блоке. RES2NET представляет многомасштабные функции на гранулярном уровне и увеличивает диапазон восприимчивых полей для каждого сетевого уровня. Предложенный блок RES2NET может быть подключен к современным моделям CNN, например, Resnet, Resnext, BigLittlenet и DLA. Мы оцениваем блок RES2NET на всех этих моделях и демонстрируем постоянный прирост производительности по сравнению с базовыми моделями.

Модуль Res2net

Повышение

Требование

Pytorch> = 0,4,1

Примеры

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

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

Входное изображение должно быть нормализовано следующим образом:

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

(По умолчанию модель будет загружена автоматически. Если ссылка на загрузку по умолчанию недоступна, обратитесь к ссылке загрузки, указанной на предварительно проведенных моделях .)

Предварительные модели

модель	#Парамы	MACCS	Ошибка TOP-1	Ошибка TOP 5	Связь
RES2NET-50-48W-2S	25,29 м	4.2	22.68	6.47	OneDrive
RES2NET-50-26W-4S	25,70 м	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	48,40м	8.3	20,80	5.63	OneDrive
RES2NET-101-26W-4S	45,21 м	8.1	20,81	5.57	OneDrive
RES2NEXT-50	24,67 м	4.2	21.76	6.09	OneDrive
RES2NET-DLA-60	21,15 м	4.2	21.53	5.80	OneDrive
RES2NEXT-DLA-60	17.33m	3.6	21.55	5.86	OneDrive
RES2NET-V1B-50	25,72 м	4.5	19.73	4.96	Связь
RES2NET-V1B-101	45,23 м	8.3	18.77	4.64	Связь
RES2NET-V1D-200-SSLD	76.21M	15.7	14.87	2.58	PaddlePaddLelink

Новости

• Res2net_v1b теперь доступен.
• Вы можете загрузить предварительную модель, используя pretrained = True .

Ссылка загрузки с диска Baidu теперь доступна. (Disk Password Baidu: VBIX )

Приложения

Другие приложения, такие как классификация, сегментация экземпляра, обнаружение объекта, семантическая сегментация, обнаружение существенного объекта, карта активации класса, сегментация опухоли на компьютерной томографии, можно найти на https://mmcheng.net/res2net/.

Цитирование

Если вы обнаружите, что эта работа или код полезен в вашем исследовании, укажите:

 @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}, 
}

Контакт

Если у вас есть какие-либо вопросы, не стесняйтесь написать мне по электронной почте через: shgao(at)live.com

Лицензия

Код выпущен в соответствии с Creative Commons Attribution-Noncommercial-Sharealike 4.0 Международная публичная лицензия только для некоммерческого использования. Любое коммерческое использование должно получить официальное разрешение в первую очередь.