YOLOv5改进系列：DiverseBranchBlock（DBB）多分支结构助力涨点

最新推荐文章于 2024-05-01 21:24:13 发布
最新推荐文章于 2024-05-01 21:24:13 发布
阅读量571 收藏 10
点赞数 9
分类专栏： YOLOv5改进涨点专栏 文章标签： YOLO
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/ZzzzzKnight/article/details/136581226
版权

一、论文理论

论文地址：Diverse Branch Block: Building a Convolution as an Inception-like Unit

1.理论思想

本文是继前作ACNet的又一次对网络结构重参数化的探索，设计了一个类似Inception的模块，以多分支的结构丰富卷积块的特征空间，各分支结构包括平均池化，多尺度卷积等。最后在推理阶段前，把多分支结构中进行重参数化，融合成一个主分支，充分利用平台性能。

2.创新点

操作过程：

（1）将具有批量化规范化的卷积层融合

（2）合并具有相同配置的卷积层输出

（3）合并序列卷积层

（4）深度串联来合并卷积层
（

了解本专栏 订阅专栏 解锁全文
Dropout~~
关注
  • 9
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
订阅专栏
【RT-DETR有效改进】重参数化模块DiverseBranchBlock助力特征提取（附代码 + 修改教程）
Snu77的博客
02-08 788
本文给大家带来的是改进机制是一种替换多元分支模块（Diverse Branch Block），Diverse Branch Block (DBB) 是一种用于增强卷积神经网络性能的结构重新参数化技术。这种技术的核心在于结合多样化的分支，这些分支具有不同的尺度和复杂度，从而丰富特征空间。本文改进是基于ResNet18、ResNet34、ResNet50、ResNet101，文章中均以提供，本专栏的改进内容全网独一份深度改进RT-DETR非那种无效Neck部分改进，
YOLOv8改进 | Conv篇 | 添加DiverseBranchBlock多元分支模块（有效涨点，重参数化模块高效推理）
Snu77的博客
12-08 3989
本文带来的改进机制是YOLOv8模型与多元分支模块（Diverse Branch Block）的结合，Diverse Branch Block (DBB) 是一种用于增强卷积神经网络性能的结构重新参数化技术。这种技术的核心在于结合多样化的分支，这些分支具有不同的尺度和复杂度，从而丰富特征空间。我将其放在了YOLOv8的不同位置上均有一定的涨点幅度，同时这个DBB模块的参数量并不会上涨太多，我添加三个该机制到模型中，GFLOPs上涨了0.4。⭐⭐⭐⭐。
YOLOv5改进之DBBC3,重参数化结构助力涨点O
最新发布
weixin_47060902的博客
05-01 58
YOLO改进之重参数化模块
结构重参数化之三：Diverse Branch Block
00000cj的博客
04-04 5370
paperDiverse Branch Block: Building a Convolution as an Inception-like Unit codehttps://github.com/DingXiaoH/DiverseBranchBlock 前言 有了前两篇文章ACNet和RepVGG的铺垫，本文就忽略背景介绍，直接进入核心内容的讲解。本文首先总结了六种不同的结构重参数化的转换方法，然后借鉴Inception的多分支结构提出了一种新的building block：Di...
网络参数重组论文四（Diverse Branch Block）
蓝鲸鱼的博客
10-05 1628
本系列文章介绍一种最近比较火的设计网络的思想，即利用网络的重参数化（意义在于训练时间模型有一组参数，而推理时间模型有另一组参数），把多层合成一层，进行网络加速。 Diverse Branch Block: Building a Convolution as an Inception-like Unit中了介绍一些可以用于参数重组的变换，可以根据这些变换组合成为一个可替代卷积层的模块，在训练过程中使用这些复杂的模块，在测试过程中将模块参数重组为简单的卷积。 1. 6种参数变换 在文中，作者总结了6种变换来对D
DiverseBranchBlock:多样的分支块
03-27
多元分支程序块：将卷积构建为类似初始的单元（PyTorch）（CVPR-2021） 这是PyTorch的实现。 MegEngine版本位于 论文： : 将很快更新整个仓库。 更新：发布了DiverseBranchBlock。 重构转换代码。 将在几个小时后释放。 有时我称其为ACNet v2，因为'DBB'比ASCII中的'ACB'大2位。 （哈哈）
Diverse Branch Block: Building a Convolution as an Inception-like Unit 公式解读
a578831363的博客
04-20 987
一，引子 这篇文章来自清华的Xiaohan Ding， Xiangyu Zhang与Jungong Han 文章地址：Diverse Branch Block: Building a Convolution as an Inception-like Unit 这篇文章也就几个小地方的公式有点复杂，就当是给自己巩固一下刚刚理解的公式叭～ ps：先读原文再用原文和本文公式解读做对比食用更佳嗷 二，文章简略介绍 文章用重参数的技巧复杂化原来的训练模型，使训练模型拥有更好的特征表达能力，但在推理阶段时把复杂化的地方
DiverseBranchBlock: “无痛涨点”的ACNet再进化，清华大学&旷视科技提出Inception类型的DBB
程序员深度学习
03-27 328
1. 摘要 本文提出一种可以提升CNN性能且“推理耗时无损”的通用模块组件，我们将其称之为Diverse Branch Block(DBB)，它通过组合不同尺度、不同复杂度的分支(不同分支采用卷积序列、多尺度卷积或者均值池化)丰富特征空间的多样性达到提升单个卷积(注：推理时合并为单个卷积)表达能力的目的。一旦完成训练，一个DBB可以等价地转换为单个卷积以方便布署。 不同于ConvNet架构的推陈出新，DBB在训练时采用了复杂的“微结构”且保持网络整体结构不变；而在推理/部署时，DBB这种复杂结构可以等价转.
dbb:一个易于使用的数据库
05-29
var DBB = require ( 'dbb' ) ; var db = DBB ( 'db.json' ) ; db ( 'keys' ) . set ( 'key' , 'value' ) ; db ( 'posts' ) . insert ( { title : 'DBB is amazing' } ) ; 在db.json ： { "keys" : { "key" : ...
perl 模块(spreadsheet、XML::Simple、DBB::mysql等模块)
11-07
XML::Simple将复杂的XML结构转换为易于理解和操作的Perl数据结构，如哈希和数组。尽管它的名字中带有“简单”，但在处理大型或复杂XML时，可能需要更强大和灵活的模块如XML::LibXML或XML::XPath。XML::Simple更适合...
-modmail-dbb：用Discord Bot Builder制作的简单modmail机器人
02-11
创建于DBB版本：___ 专为：不和谐 :globe_with_meridians: 托管指南 您可以在自己的计算机上托管吗？ 是的，只需在#releases或软件包中为Windows下载self-host。 他们出来的时候。 请注意，当您托管[MUST BE ...
9b1884741667f6522dbb50eaee13b5ba.数据倾斜
09-15
9b1884741667f6522dbb50eaee13b5ba.数据倾斜
【重参数化】《Diverse Branch Block: Building a Convolution as an Inception-like Unit》 2021
u010087277的博客
04-08 3444
摘要：我们提出一种通用的卷积网络构造块用来在不增加任何推理时间的前提下提升卷积网络的性能。我们将这个块命名为分离分支块（Diverse Branch Block）。通过结合不同尺寸和复杂度的分离分支（包括串联卷积、多尺度卷积和平均池化层）来增加特征空间的方法，它提升了单个卷积的表达能力。完成训练后，一个DBB(Diverse Branch Block)可以被等价地转换为一个单独的卷积操作以方便部署。不同于那些新颖的卷积结构的改进方式，DBB让训练时微结构复杂化同时维持大规模结构，因此我们可以将它作为任意结构
YOLOv5网络结构图
热门推荐
clmm_的博客
10-15 2万+
CNN通过模拟人类视觉系统的工作原理，通过层层堆叠的卷积层、池化层和全连接层等组件来进行图像数据的特征提取和分类。Conv（卷积层）通常是由卷积(Convolution)、批标准化(Batch Normalization)和激活函数(Activation)这三个模块组成的C3模块图如上。C3之所以叫C3，是因为在这个模块中有三个卷积层（Conv）了解SPPF前，我们先要知道SPP（），中文为空间金字塔池化而SPPF（Spatial Pyramid Pooling Fusion）则是SPP的改进版。
YOLOv5网络结构学习
qq_40356092的博客
05-09 1万+
最近在学习yolov5的代码（因为项目需要），其实陆陆续续接触yolov5已经半年左右了，用yolov5也跑过了自己的数据集，但是一直没有上手对代码进行修改，主要还是因为用到了很多工程性的技术和代码，之前做科研的时候没有接触到，改代码方式如果不正确会引发很多BUG。 我们就先从yolov5的网络结构开始讲起吧~ 一、Focus层 Focus层的代码如下： class Focus(nn.Module): # Focus wh information into c-space def __ini
【精选】重参数结构DiverseBranchBlock改进YOLO的遥感苔藓分割系统
cheng2333333的博客
01-03 1052
【精选】重参数结构DiverseBranchBlock改进YOLO的遥感苔藓分割系统
白给的性能不要？cvpr2021-Diverse branch block
深度学习技术前沿
04-01 2005
论文地址：Diverse Branch Block: Building a Convolution as an Inception-like Unit官方代码：DingXiaoH/Dive...
CVPR 2021 | Diverse Branch Block（ACNetV2）论文阅读分享（keras实现）
u011447962的博客
06-06 1972
Diverse Branch Block: Building a Convolution as an Inception-like Unit 旷视——2021CVPR paper:https://arxiv.org/pdf/2103.13425.pdf code:https://github.com/DingXiaoH/DiverseBranchBlock 摘要 提出了一个卷积神经网络(ConvNet)的通用构建块，以提高没有任何推理时间成本的性能。该块被命名为“不同分支块”(DBB)，它通过结
diverse branch block
03-16
"Diverse branch block" 是一种深度神经网络中的模块，它能够提高网络的表现和效率。该模块基于残差连接的思想，通过将输入数据分成多个分支，每个分支都有不同的卷积核，从而增加模型的多样性和表达能力。每个分支都会产生一个特征图，这些特征图会被级联到一起，形成模块的输出。该模块还使用了一种叫做 "squeeze-and-excitation" 的技术，能够自适应地调整每个特征图的权重，从而提高模型的精度。

“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

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