论文（5）Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net

最新推荐文章于 2024-08-19 10:12:09 发布
最新推荐文章于 2024-08-19 10:12:09 发布
阅读量2.1k 收藏 6
点赞数 1
分类专栏： 论文
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/GZHermit/article/details/81366671
版权
IBN-Net在WAD 2018 Drivable Area task中夺冠，提出了一种增强深度学习模型学习与泛化能力的新架构。通过对比IN与BN的作用，IBN-Net在保持ImageNet上优于ResNet的效果同时，减少了参数和计算量，尤其适用于跨数据集任务。实验显示，IBN-Net在城市景观和虚拟数据集间的迁移表现出色。
摘要由CSDN通过智能技术生成

Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net

在WAD 2018的Drivable Area track 的task中，获得了冠军，mIoU达到86.18%

motivation

由于数据集众多，导致当前的CNN模型基本上只适用于某一个domain或者task，如何在不fine-tuning的情况下使得模型可以跨数据集？本文提出了IBN-Net。
这里写图片描述
图a 表示真实数据集和虚拟数据集
图b 表示同一张图片不同色调和亮度
图c 表示同一张图片不同风格（莫奈和梵高）
解决上面这些差异性的方式就是让网络尽可能的习得图片的不变性，而不是针对变化设计新的模型。

contribution
  1. 提出了一个新的模型结构，可以提升深度神经网络在learning和generalization上的能力。IBN-Net50在ImageNet上取得了比ResNet50更好的效果，并且参数量和计算量更小
  2. 仔细分析了IN和BN在神经网络中的用处
    这里写图片描述

上图中，y轴

最低0.47元/天 解锁文章
GZHermit
关注
专栏目录
[论文阅读]Group Normalization & IBN-Net（ECCV2018）
u010886794的博客
12-14 1086
这里主要介绍两篇ECCV2018的论文，都是关于神经网络层中的normalization归一化的。 目录 《Group Normalization》【ECCV2018】 方法 代码  实验  《Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net》【ECCV2018】 摘要 Instanc...
论文阅读【域泛化】：ECCV2018|Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net
qq_17614495的博客
07-31 983
文章目录前言一、IntroductionContribution二、MethodResult总结 链接：ECCV2018|Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net. 前言 与现有的设计CNN体系结构以提高单个域的单个任务的性能和不可推广性的工作不同，IBN网络，一种新颖的卷积体系结构，它显著增强了CNN在一个域上的建模能力以及在另一个域上的推广能力，而无需微调。IBN-Net小心翼翼地将Instanc
Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net论文笔记
sunyao_123的博客
07-31 2781
论文主要贡献有3点：1）IN学习到的是对形状变换，比如颜色，风格，虚拟的或现实的不敏感的特征，而BN是保留纹理相关的特征；2）灵活，能够用到很多的架构；3）在迁移学习的时候不需要目标领域的数据就能够提高网络的表现。 目的是：解决输入图片的外观不变性。 方法是将IN和BN结合起来，IBN-Net。 结果是：IBN-Net能够学习捕获和消除外观的变换，而保持学到的特征的区别性。 结构特性：将I...
Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net阅读笔记
qq_36167072的博客
03-11 901
Paper：https://arxiv.org/abs/1807.09441 Code：https://github.com/XingangPan/IBN-Net 文章摘要：卷积神经网络(CNNs)在许多计算机视觉问题上取得了巨大的成功。与现有为提高某一场景的性能设计的CNN不同，论文的IBN-Net显著增强了CNN的建模能力，并且具有较强的泛化能力，可以不经过netuning即可在另一场景取...
《Enhancing Learning and Generalization Capacities via IBN-Net》论文阅读
zc199329的博客
03-29 437
目录 主旨 论文内容 论文总结 主旨 论文目的在于找到一种网络结构能够在在单一领域提高性能的同时，对于领域适应甚至领域泛化都有很好的性能，替代finetuning的效果。因此，作者组合了IN和BN，保持特征区分度的同时能够满足外观不变性的特点，设计了IBN模块。 论文内容 1 首先，为什么用IN？ 因为，作者发现在风格迁移的领域中，IN的效果比BN的效果好。基于IN的encod...
IBN-NET
xys430381_1的专栏
01-16 566
Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net论文笔记 https://blog.csdn.net/sunyao_123/article/details/81294724 IBN-NET要点： 通过将IN和BN的组合提出了IBN-Net,IN主要可以学习视觉表现变化的相关性，例如颜色，风格，真假等。...
IBN-Net: 提升模型的域自适应性
pprp的博客
04-08 2510
本文解读内容是IBN-Net, 笔者最初是在很多行人重识别的库中频繁遇到比如ResNet-ibn这样的模型，所以产生了阅读并研究这篇文章的兴趣，文章全称是: 《Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net》。IBN-Net和SENet非常相似： 可以方便地集成到现有网络模型中。 在多个视觉任务中...
IBN-Net ResNetIBN的原理以及DSBN的代码
baimenglin的博客
10-19 3861
IBN-Net IBN-Net由《Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net》这篇文章提出。 归一化层，目前主要有这几个方法，Batch Normalization（2015年）、Layer Normalization（2016年）、Instance Normalization（2017年）、Group Normalization（2018年）、Switchable Normalization（2018年
IBN-Net
大泽之国
08-15 3215
参考 Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net 简介 Instance Normalization在样式迁移领域取得比Batch Normailzation更好的效果，但是在识别分类领域中没有带来提升。本文研究了IN和BN的区别，并成功把二者应用到同一个框架中，提高识别分类的准确度，...
IBN-Net.mxnet:IBN-Net的MXNet实现（Resnet-IBN-a，Resnext-IBN-a，Resnext-IBN-b）
03-21
IBN-Net.mxnet IBN-Net的MXNet实现（Resnet-IBN-a，Resnext-IBN-a，Resnext-IBN-b）。 （ Resnet-IBN-a 50,101,152，Resnext-IBN-a 50,101,152，Resnext-IBN-b 50,101,152 ） 这是一个实现IBN-网（RESNET-IBN-A 50101152）在论文中描述的架构提出，平罗，建平石，和晓鸥汤。 ECCV 2018接受了本文。他们凭借此IBN-Net区块赢得了WAD 2018挑战可驾驶区域赛道的第一名。 作者的pytorch实现可在GitHub的中找到。 这是一个实例批处理规范化（IBN）块的说明。 Resnet-IBN-a是根据（b）IBN-a实现的。请注意，我们的Resnet实现遵循“ ”中的“深层残留网络中的身份映射”。它与作者的pytorch版本略有不同。
汤晓鸥为CNN搓了一颗大力丸
量子位
07-27 3078
夏乙 发自 凹非寺量子位 出品 | 公众号 QbitAI大把时间、大把GPU喂进去，训练好了神经网络。接下来，你可能会迎来伤心一刻：同学，测试数据和训练数据，色调、亮度不...
探索IBN-Net：增强学习与泛化能力的新时代CNN模型
最新发布
gitblog_01075的博客
08-19 841
探索IBN-Net：增强学习与泛化能力的新时代CNN模型 IBN-NetInstance-Batch Normalization Networks (ECCV2018)项目地址:https://gitcode.com/gh_mirrors/ib/IBN-Net 项目介绍 IBN-Net，全称Instance-Batch Normalization Network，是一种结合了实例归一化（Inst...
Autoware Universe可通行区域Behavior Path Planner在交通沙盘的实现
渡众机器人
01-02 1370
可通行区域（Drivable Area）是自动驾驶技术中的一个核心概念，它指的是车辆可以安全行驶的区域。在Autoware Universe的行为路径规划模块中，这个概念尤为重要，因为它直接影响了车辆的路径规划和决策过程。可通行区域通常是基于车辆当前所在的环境（如道路、车道、交通标志和周围的障碍物）来确定的。它包括了车辆可以安全通行而不会与其他车辆、行人或障碍物发生冲突的路面部分。总体而言，可通行区域在自动驾驶技术中具有重要意义，特别是在模拟环境中的应用，如智能网联沙盘场景。
[论文笔记]Self-Supervised Drivable Area and Road Anomaly Segmentation using RGB-D Data for Robo_2019RAL
weixin_43146899的博客
12-20 685
Self-Supervised Drivable Area and Road Anomaly Segmentation using RGB-D Data for Robotic Wheelchairs 为了训练一个深度神经网络，通常需要一个带有人工标注的地面真值的大规模数据集。然而，生成这样的数据集既费时又费力。为了解决手动贴标耗时耗力的问题。 本文旨在 通过自监督方法自动生成可行驶区域和道路异常的分割标签。 这个RGB-D相机同时输出RGB图像和深度图像。 本文提出一种自监督的方法来分割可行驶区域和道
【论文阅读】《Dynamic Fusion Module Evolves Drivable Area and Road Anomaly Detection》
hgj1h的博客
11-29 2296
《Dynamic Fusion Module Evolves Drivable Area and Road Anomaly Detection: A Benchmark and Algorithms》 2021年T-cybernetics，最近在看这方面综述文章，记录一下。 这篇文章讲的是语义分割来做道路损失检测。 文章net的backbone用的是RTFnet来进行语义分割，文章创新性地将原文中用的热度图改为视差图来进行车道的语义分割。 首先作者对于视差图进行一个预处理，将之转变为一个准鸟瞰图。 该操作
论文阅读笔记——DLT-Net: Joint Detection of Drivable Areas, Lane Lines, and Traffic Objects)
SmileSmile的博客
01-01 1969
论文阅读笔记——DLT-Net: Joint Detection of Drivable Areas, Lane Lines, and Traffic Objects论文简介引言DLT-Net架构EncoderDecoderDContext TensorsLTLoss Function and Training 论文简介 这是发表在IEEE Transactions on Intelligent Transportation Systems上的一篇论文，将自动驾驶中的主要感知任务——可行驶区域、交通车道线和
机器学习(6) MovieLens数据集
GZHermit的博客
07-04 2万+
MovieLens数据集是一个关于电影评分的数据集，里面包含了从IMDB, The Movie DataBase上面得到的用户对电影的评分信息，详细请看下面的介绍。介绍：links.csv: 文件里面的内容是帮助你如何通过网站id在对应网站上找到对应的电影链接的。数据格式如下： movieId, imdbId, tmdbId movieId:表示这部电影在movielens上的id，
最小生成树怎么画？
热门推荐
要优秀！
06-26 2万+
介绍最小生成树的图形画法~以下图为例：1、从1开始，以1为顶点画圈。在红色线经过的部分中，可见权重分别为6、1、5，最小权重为1。如下图。2、以上图中得到的1、3为顶点的图中，继续画线，图为黄色线部分。经过黄色线段的权重有6、5、6、4、5、5，可知最小权重为4。连接圈3和圈6，如下图。3、接着以第二个步骤中得到的图为顶点，继续画线，图为绿色线段。可知经过的权重为6、5、6、6、2、5、5，最小权...
Small but Mighty: Enhancing 3D Point Clouds Semantic Segmentation with U-Next Framework
05-10
"Small but Mighty: Enhancing 3D Point Clouds Semantic Segmentation with U-Next Framework" is a research paper that proposes a new framework for improving semantic segmentation of 3D point clouds. The framework, called U-Next, is designed to be computationally efficient while still achieving state-of-the-art results. The U-Next framework is based on the U-Net architecture, which has been widely used for image segmentation tasks. However, U-Net is not well-suited for 3D point clouds due to their irregular nature. U-Next addresses this issue by introducing a new type of convolutional layer called the "weighted nearest neighbors" (WNN) layer. This layer is able to capture local geometric information and incorporate it into the segmentation process. To evaluate the effectiveness of the U-Next framework, the researchers conducted experiments on two benchmark datasets: S3DIS and SemanticKITTI. The results showed that U-Next outperformed several other state-of-the-art methods while using significantly fewer parameters and computational resources. Overall, the U-Next framework offers a promising new approach for improving semantic segmentation of 3D point clouds, with potential applications in fields such as robotics, autonomous driving, and augmented reality.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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