RepVGG：使VGG样式的ConvNets再次出色

最新推荐文章于 2024-06-23 17:44:02 发布
最新推荐文章于 2024-06-23 17:44:02 发布
阅读量8.7k 收藏 14
点赞数 5
分类专栏： 计算机视觉论文速递 backbone 涨点神器 文章标签： 人工智能 深度学习 计算机视觉 机器学习 神经网络
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/amusi1994/article/details/112513551
版权
RepVGG是清华大学和旷视科技等团队提出的一种新型卷积神经网络架构，其在推理时仅包含3x3卷积和ReLU，训练时采用多分支拓扑。通过结构重新参数化技术，RepVGG在ImageNet上实现了超过80%的top-1准确率，超越ResNet和EfficientNet等模型的性能。同时，它在1080Ti GPU上的运行速度比ResNet-50快83%，ResNet-101快101%，并提供了良好的精度-速度权衡。此外，文章还提及了CVer的细分垂直交流群的成立。
摘要由CSDN通过智能技术生成

重振VGG雄风！主体仅使用3×3卷积和ReLU！据作者称，在ImageNet上，RepVGG的top-1准确性达到80％以上，这是基础模型的首次实现！综合性能超越ResNet、EfficientNet等，部分代码刚刚开源！

注1：文末附【计算机视觉细分垂直方向】交流群（含检测、分割、跟踪、医疗、GAN、Transformer等）
注2：欢迎点赞，支持分享！
在这里插入图片描述

RepVGG

RepVGG: Making VGG-style ConvNets Great Again
在这里插入图片描述

  • 作者单位：清华大学(丁贵广团队), 旷视科技(孙剑等人), 港科大, 阿伯里斯特威斯大学
  • 代码1：https://github.com/megvii-model/RepVGG
  • 代码2（基于PyTorch）：https://github.com/DingXiaoH/RepVGG
  • 论文下载链接：https://arxiv.org/abs/2101.03697

我们提出了一个简单但强大的卷积神经网络架构，该架构具有类似于VGG的推理时间主体，该主体仅由3x3卷积和ReLU的堆栈组成，而训练时间模型具有多

最低0.47元/天 解锁文章
Amusi（CVer）
关注
专栏目录
深度学习论文: RepVGG: Making VGG-style ConvNets Great Again及其PyTorch实现
mingo_敏
02-25 912
深度学习论文: RepVGG: Making VGG-style ConvNets Great Again及其PyTorch实现 PDF: https://arxiv.org/pdf/2101.03697.pdf PyTorch: https://github.com/shanglianlm0525/PyTorch-Networks PyTorch: https://github.com/shanglianlm0525/CvPytorch 1 概述 2 RepVGG 2-1 VGG样式的网络优点 2-2 a
[RepVGG] RepVGG：Making VGG-style ConvNets Great Again(CVPR.2021)
Ah丶Weii
03-04 445
paper：https://arxiv.org/abs/2101.0369 code：https://arxiv.org/abs/2101.0369 1. Motivation ​ 如今更复杂的卷积网络可以取得更大的精度，但是相对于简单的卷积网络来说，也有2种缺点，首先是多分支结构中复杂的设定，以及复杂卷积网络的计算资源的开销。 ​ 同时，其他simple ConvNets的性能并不能比得过complicated ConvNets。 2. Contribution 本文的贡献如下： 本文提出了Rep..
RepVGG: Making VGG-style ConvNets Great Again
weixin_42764932的博客
01-16 805
Abstract 本文提出一种简单而强有力的CNN架构RepVGG，在推理阶段，它具有与VGG类似的架构，而在训练阶段，它则具有多分支架构体系，这种训练-推理解耦的架构设计源自一种称之为“重参数化(re-parameterization)”的技术。 优势 Fast：相比VGG，现有的多分支架构理论上具有更低的Flops，但推理速度并未更快。比如VGG16的参数量为EfficientNetB3的8.4倍，但在1080Ti上推理速度反而快1.8倍。这就意味着前者的计算密度是后者的15倍。Flops与推理速度
RepVGG论文阅读笔记
最新发布
weixin_47365232的博客
06-23 765
本文提出了一种简单但功能强大的卷积神经网络架构，它具有类似 VGG 的推理时间主体，仅由 3x3 卷积和 ReLU 的堆栈组成，而训练时间模型具有多分支拓扑。这种训练时间和推理时间架构的解耦是通过结构重新参数化技术实现的，因此该模型被命名为 RepVGG。
RepVGG（Re-parameterization VGG）: Making VGG-style ConvNets Great Again
胖胖大海的博客
02-06 1064
鉴于多分支模型训练性能好，推理性能差，单分支扁平化模型训练性能差，推理性能好的情况，将二者综合，试图构建一种网络模型，在模型训练阶段使用多分支训练获得更好的训练性能，在模型推理阶段将训练好的多分支模型恒等转换为单分支的扁平化模型，推理阶段的网络模型中只有3x3的卷积和ReLU激活这两种操作。这其中的核心问题就是如何把多分支的模型转换为一个单分支的模型？RepVGG里面把这个过程叫做结构重参数化技术。
【论文阅读】——RepVGG: Making VGG-style ConvNets Great Again
怡宝2号
01-13 2642
论文:https://arxiv.org/pdf/2101.03697.pdf code:https://github.com/DingXiaoH/RepVGG 北京信息科学与技术国家研究中心，旷视，香港科技大学等 我们提出了一个简单但功能强大的卷积神经网络架构，该架构具有类似于VGG的推理时间主体，该主体仅由3×3卷积和ReLU的堆栈组成，而训练时间模型具有多分支拓扑。训练时间和推理时间体系结构的这种解耦是通过结构性重新参数化技术实现的，因此模型是名为RepVGG。在ImageNet上，RepVGG达.
【论文阅读】RepVGG: Making VGG-style ConvNets Great Again翻译
cxyue2016的博客
03-23 1366
RepVGG: Making VGG-style ConvNets Great Again论文翻译 论文地址：https://arxiv.org/abs/2101.03697 代码地址：https://github.com/DingXiaoH/RepVGG 摘要 我们提出了一个简单但功能强大的卷积神经网络体系结构，它有一个推理阶段的VGG-like型主体，只有一个由3*3卷积和ReLU组成的堆栈，而训练时间模型具有多分支拓扑。这种训练时间和推理时间体系结构的解耦是通过一种结构重参数化技术实现的，因此该模型
【网络理解】RepVGG: Making VGG-style ConvNets Great Again
zengwb的博客
01-15 2018
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录系列文章目录前言一、Netron模型可视化二、代码实现总结 前言 本文主要是对RepVGG的讲解 论文：https://arxiv.org/pdf/2101.03697.pdf GitHub：https://github.com/DingXiaoH/RepVGG 参考博客 一、Netron模型
RepVGG-caffe:此网只应天上有，人间能得几回训Making VGG-style ConvNets Great Again (Caffe)
05-27
RepVGG咖啡因 这是的caffe演示，您可以从下载转换后的模型，我们还提供，就好像您想通过caffe进行训练一样。 襟翼 RepVGG-A0.prototxt layer name Filter Shape Output Size Params Flops Ratio conv1 (48, 3, 3, 3) (1, 48, 112, 112) 1296 16257024 1.194% conv2 (48, 48, 3, 3) (1, 48, 56, 56) 20736 65028096 4.776% conv3 (48, 48, 3, 3) (1, 48, 56, 56) 20736 65028096 4.776% conv4 (96, 48, 3, 3)
SSD9的选择题们 较完整
09-01
DOC文档， SSD9的选择题， 比较完整
【论文笔记】_RepVGG: Making VGG-style ConvNets Great Again
weixin_46362482的博客
02-02 828
RepVGG: Making VGG-style ConvNets Great Again【论文笔记】1.介绍2.相关工作2.1. From Single-path to Multi-branch2.2.Effective Training of Single-path Models2.3.Model Re-parameterization2.4.Winograd Convolution3. 通过结构重参数化构建RepVGG3.1.Simple is Fast, Memory-economical, Fle
【论文阅读】——RepVGG: Making VGG-style ConvNets Great Again(二)代码+原理
怡宝2号
01-13 1388
紧接上篇:RepVGG: Making VGG-style ConvNets Great Again 这里我们解读其核心部分。 核心思想 其核心思想就是做一个算子融合，比如常见的conv + bn算子融合。只是这里做了更彻底，更好，将三个分支，融合成一个分支 1. 重定义模型 训练的时候，模型主要由如下的模块组成。一个stage中有3个分支。 推理的时候，主要流程是： stride ！= 1 的时候 conv3*3 + bn 融合 得到w1，b1 kernel = branch.conv..
RepVGG: Making VGG-style ConvNets Great Again —— 论文阅读笔记
学无止境
03-29 267
RepVGG论文总览方法多分支训练结构重参数化网络架构实验局限性 Paper : https://arxiv.org/abs/2101.03697 Code : https://github.com/DingXiaoH/RepVGG MegEngine : https://github.com/megvii-model/RepVGG 论文总览 本文通过结构重参数化，只使用 3x3 卷积和 ReLU 激活函数的单路极简架构在速度和性能上达到 SOTA 水平。 尽管许多复杂的卷积网络都比简单的卷积网络提
(CVPR-2021)RepVGG：让 VGG 风格的 ConvNet 再次伟大
顾道长生的科研笔记
02-03 1789
我们提出了一种简单但功能强大的卷积神经网络架构，它具有类似 VGG 的推理时间主体，仅由3×33 \times 33×3卷积和 ReLU 堆栈组成，而训练时间模型具有多分支拓扑。这种训练时间和推理时间架构的解耦是通过结构重参数化技术实现的，因此该模型被命名为 RepVGG。据我们所知，在 ImageNet 上，RepVGG 达到了超过 80% 的 top-1 准确率，这对于普通模型来说是第一次。
RepVGG论文详解（超级详细）
weixin_44711102的博客
11-01 7114
RepVGG是2021年发表于CVPR，它和resnet一样是一种图像分类网络，在目标检测中被用作backbone，论文提出一种新型技术称之结构重参数化，简单来说就是对训练出的模型进行等价替换成一个简单的模型，然后用这个简单的模型进行推理（也就是testing），目的就是加快推理速度，提高模型实用性。RepVGG当中的结构重参数化这个方法值得我们去学习，对模型的部署非常友好，在未来的发展中，重参数化会越来越受欢迎（YOLOv6使用了这个方式）。
RepVGG网络简介
我快乐，我自由。
02-08 581
VGG网络是2014年由牛津大学著名研究组VGG (Visual Geometry Group) 提出的。在2014到2016年（ResNet提出之前），VGG网络可以说是当时最火并被广泛应用的Backbone。后面由于各种新的网络提出，论精度VGG比不上ResNet，论速度和参数数量VGG比不过MobileNet等轻量级网络，慢慢的VGG开始淡出人们的视线。
RepVGG：解析VGG型卷积网络的优化策略
该方法来源于论文《RepVGG: Making VGG-style ConvNets Great Again》，它通过解耦组合与重参数化技术，将训练时的多分支结构转换为推理时的单分支结构，从而兼顾准确性和速度。" 深度学习领域的CNN（卷积神经网络...
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