Res2Net PretrainedModels

res2net

การใช้งาน Pytorch อย่างเป็นทางการของกระดาษ "Res2Net: สถาปัตยกรรมกระดูกสันหลังหลายระดับใหม่"

บทความของเราได้รับการยอมรับจาก การทำธุรกรรม IEEE เกี่ยวกับการวิเคราะห์รูปแบบและความฉลาดของเครื่องจักร (TPAMI)

อัปเดต

• 2020.10.20 Paddlepaddle เวอร์ชัน Res2Net บรรลุ 85.13% Top-1 ACC On Imagenet: Paddlepaddle Res2net
• 2020.8.21 การสาธิตออนไลน์สำหรับการตรวจจับและการแบ่งส่วนโดยใช้ Res2Net ได้รับการปล่อยตัว: http://mc.nankai.edu.cn/res2net-det
• 2020.7.29 รหัสการฝึกอบรมของ Res2Net บน Imagenet เปิดตัว https://github.com/res2net/res2net-imagenet-training (ไม่ใช่การใช้เชิงพาณิชย์เท่านั้น)
• 2020.6.1 Res2Net อยู่ในสวนสัตว์จำลองอย่างเป็นทางการของ Jittor Framework Deep Framework ใหม่
• 2020.5.21 Res2Net เป็นหนึ่งในกระดูกกระดูกพื้นฐานใน MMDetection V2 Framework https://github.com/open-mmlab/mmdetection การใช้ MMDETECTION V2 กับ Res2Net จะได้ประสิทธิภาพที่ดีขึ้นด้วยค่าใช้จ่ายในการคำนวณน้อยลง
• 2020.5.11 RES2NET ได้รับการเพิ่มประสิทธิภาพประมาณ 2% จากการแบ่งส่วน panoptic ขึ้นอยู่กับ DETECTRON2 โดยไม่มีเคล็ดลับ เราได้เปิดตัวรหัสของเราเมื่อ: https://github.com/res2net/res2net-detectron2
• 2020.2.24 RES2NET_V1B ของเราได้รับประสิทธิภาพที่เพิ่มขึ้นอย่างมากในการตรวจจับ MMDetection เมื่อเทียบกับรุ่นแบ็คโบนที่มีอยู่ เราได้เปิดตัวรหัสของเราเมื่อ: https://github.com/res2net/mmdetection การเปรียบเทียบอย่างละเอียดระหว่างวิธีการของเราและ hrNet ซึ่งก่อนหน้านี้สร้างผลลัพธ์ที่ดีที่สุดสามารถพบได้ที่: https://github.com/res2net/mmdetection/tree/master/configs/res2net
• 2020.2.21: โมเดลที่ได้รับการฝึกฝนของ Res2NET_V1B ด้วยการปรับปรุงมากกว่า 2% ใน Imagenet Top1 ACC เมื่อเทียบกับ Res2Net เวอร์ชันดั้งเดิมได้รับการปล่อยตัว! RES2NET_V1B บรรลุประสิทธิภาพที่ดีขึ้นมากเมื่อถ่ายโอนไปยังงานอื่น ๆ เช่นการตรวจจับวัตถุและการแบ่งส่วนความหมาย

การแนะนำ

เราเสนอการสร้างบล็อกใหม่สำหรับ CNNs คือ Res2Net โดยการสร้างการเชื่อมต่อที่เหลืออยู่ที่เหลืออยู่ภายในบล็อกเดียวที่เหลือ Res2Net แสดงคุณสมบัติหลายระดับในระดับเม็ดและเพิ่มช่วงของฟิลด์ที่เปิดกว้างสำหรับแต่ละชั้นเครือข่าย บล็อก Res2Net ที่นำเสนอสามารถเสียบเข้ากับรุ่น CNN ที่ทันสมัยของ Backbone ที่ทันสมัยเช่น Resnet, Resnext, Biglittlenet และ DLA เราประเมินบล็อก Res2Net ในแบบจำลองเหล่านี้ทั้งหมดและแสดงให้เห็นถึงประสิทธิภาพที่สอดคล้องกันมากกว่าแบบจำลองพื้นฐาน

โมดูล res2net

การใช้

ความต้องการ

pytorch> = 0.4.1

ตัวอย่าง

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

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

ภาพอินพุตควรเป็นมาตรฐานดังนี้:

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

(โดยค่าเริ่มต้นรุ่นจะถูกดาวน์โหลดโดยอัตโนมัติหากลิงค์ดาวน์โหลดเริ่มต้นไม่พร้อมใช้งานโปรดดูลิงก์ดาวน์โหลดที่แสดงไว้ใน รุ่นที่ผ่านการฝึกอบรม

นางแบบที่ได้รับการฝึกฝน

แบบอย่าง	#params	Maccs	ข้อผิดพลาดอันดับ 1	ข้อผิดพลาด Top-5	การเชื่อมโยง
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	การเชื่อมโยง
Res2Net-V1B-101	45.23m	8.3	18.77	4.64	การเชื่อมโยง
Res2Net-V1D-200-SSLD	76.21m	15.7	14.87	2.58	paddlepaddlelink

ข่าว

• Res2Net_v1b พร้อมใช้งานแล้ว
• คุณสามารถโหลดโมเดลที่ผ่านการฝึกอบรมได้โดยใช้ pretrained = True

ลิงค์ดาวน์โหลดจาก Baidu Disk พร้อมใช้งานแล้ว (รหัสผ่านดิสก์ Baidu: VBIX )

แอปพลิเคชัน

แอปพลิเคชันอื่น ๆ เช่นการจำแนกประเภทการแบ่งส่วนอินสแตนซ์การตรวจจับวัตถุการแบ่งส่วนความหมายการตรวจจับวัตถุที่สำคัญแผนที่การเปิดใช้งานคลาสการแบ่งส่วนของเนื้องอกในการสแกน CT สามารถพบได้ใน https://mmcheng.net/res2net/

การอ้างอิง

หากคุณพบว่างานหรือรหัสนี้มีประโยชน์ในการวิจัยของคุณโปรดอ้างอิง:

 @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}, 
}

ติดต่อ

หากคุณมีคำถามใด ๆ อย่าลังเลที่จะส่งอีเมลถึงฉันผ่าน: shgao(at)live.com

ใบอนุญาต

รหัสดังกล่าวได้รับการเผยแพร่ภายใต้ Creative Commons Attribution-Noncommercial-Sharealike 4.0 International Public License สำหรับการใช้งานที่ไม่ใช่เชิงพาณิชย์เท่านั้น การใช้งานเชิงพาณิชย์ใด ๆ ควรได้รับอนุญาตอย่างเป็นทางการก่อน