EfficientNet V1 V2总结

一、efficientnet v1

Google2019年发表的文章,在论文中提到,本文提出的EfficientNet-B7在lmagenet top-1上达到了当年最高准确率84.3%,与之前准确率最高的GPipe相比,参数数量仅为其1/8.4,推理速度提升了6.1倍。

在这里插入图片描述

1、亮点

  • 同时探索输入分辨率,网络的深度、宽度三者共同的影响

2、细节

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
此SE模块与mbnet不同的在于1/4是输入该mbconv的1/4,而不是这个池化前的1/4

在这里插入图片描述

3、原论文实验效果

在这里插入图片描述

4、缺点

  • 虽然推理速度快,但是吃显存 ,因为b6,b7的输入分辨率很大,导致每一层的输入特征图的hw都会增大。
  • 在网络浅层中使用dw卷积速度也会很慢
  • 同等的放大每个stage是次优的

二、Efficientnet V2

Google发表在2021年的cvpr
在这里插入图片描述

1、亮点

  • 引入Fused-MBConv模块
  • 引入渐进式学习策略(训练更快)

2、细节

在这里插入图片描述
论文使用nas搜索出把stage1——3替换为fused-mbconv是最优的,且fused-conv源码中并没有使用se模块
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3、原论文实验效果

在这里插入图片描述
【参考】
b站:霹雳吧啦Wz

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Shashank497

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值