【语义分割】ESPNetv2--A Light-weight, Power Efficient, and General Purpose Convolutional Neural Network

最新推荐文章于 2022-09-15 16:44:13 发布
最新推荐文章于 2022-09-15 16:44:13 发布
阅读量596 收藏 4
点赞数
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/baidu_27643275/article/details/97242802
版权

ESPNetv2 uses group point-wise and depth-wise dilated separable convolutions to learn representations from a large effective receptive field with fewer FLOPs and parameters

在这里插入图片描述
使用空洞卷积后的有效感受野： n r = ( n − 1 ) ( r − 1 ) + n n_{r}=(n-1)(r-1)+n nr​=(n−1)(r−1)+n

1、EESP unit

ESP先使用1x1的卷积降维，再输入到后续的并行空洞卷积模块，最后使用HFF模块进行特征融合。不同分支的dilation rate不同，从而ESP能够学习到更大有效感受野的特征。

HFF(hierarchical feature fusion)：能够消除空洞卷积带来的gridding artifacts。

EESP使用1x1的分组卷积来代替ESP的普通卷积，深度可分离空洞卷积代替ESP的普通空洞卷积。

在这里插入图片描述
Espnetv2中K值取4

Strided EESP with shortcut connection to an input image

在这里插入图片描述

2、Network architecture

在这里插入图片描述

3、Experiment

ESPNetv2网络可用于多个任务：object classification、semantic segmentation、object detection、language modeling。
在这里插入图片描述
在这里插入图片描述Training of Semantic segmentation：网络训练包括两个阶段
（1）先用一个小分辨率的图像（512 × 256 for the CityScapes dataset），使用SGD训练100个epoch，初始学习率0.007
（2）增加图像分辨率（1024 × 512 for the Cityscapes dataset），继续训练100个epoch，初始学习率0.003

1273545169
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
《ESPNet v2：A Light-weight Power Efficient and General Purpose Convolutional Neural Network》论文笔记
m_buddy的博客
06-23 779
代码地址：ESPNet v2 1. 概述 这篇文章在ESPNet v1的基础上进行改进得来的，这个网络结构中使用group point-wise与depth-wise膨胀分离卷积在使用较少计算量与参数的情况下有效学习大感受野的表达。文章提出的网络结构可以扩展到其它任务中去，如目标检测、语义分割、目标分类、语言模型。相比之前的v1版本文章的网络更加快速与精确；对于检测模型YOLO v2，采用文章的...
轻量级网络：ESPNet系列
qq_39382877的博客
07-26 2334
前言 ESPNetV1 ESPNetV2 前言 虽然这个主要是语义分割的轻量级网络模型，但是模块的设计还是很有参考意义的。 ESPNetV1 论文：https://arxiv.org/abs/1803.06815v2 代码：https://github.com/sacmehta/ESPNet 创新点 这篇文章主要创新点也就是ESP模块的设计，将标准的卷积分解为2个部分 point-w...
【读点论文】ESPNetv2: A Light-weight, Power Efficient, GeneralPurposeConvolutionalNeuralNetwork改V1,降低卷积运算
白水空空
09-15 661
本文介绍了一种轻量级、节能和通用的卷积神经网络ESPNetv2，用于建模可视化和顺序数据。本文的网络使用逐点向和深度向扩展的可分离卷积，以较少的FLOPs和参数从一个较大的有效接收域学习表示。我们的网络的性能在四个不同的任务上进行了评估:(1)对象分类，(2)语义分割，(3)对象检测，(4)语言建模。在这些任务上的实验，包括在ImageNet上的图像分类和在PenTree bank数据集上的语言建模，证明了本文的方法比目前最先进的方法更优越的性能。
轻量级网络ESPNet系列 空洞卷积简介
panghuzhenbang的博客
05-10 3331
空洞卷积(Dilated/Atrous Convolution) 相比原来的正常convolution，dilated convolution 多了一个 hyper-parameter 称之为 dilation rate 指的是kernel的间隔数量： a是普通的卷积过程(dilation rate = 1),卷积后的感受野为3 b是dilation rate = 2的空洞卷积,卷积后的感受野为5 c是dilation rate = 3的空洞卷积,卷积后的感受野为7 卷积核膨胀是将卷积核扩张到膨
轻量级深度学习网络——ESPNet v2
PRIS-SCMonkey的博客
07-03 1万+
作者介绍了一种轻量、效率高、通用的卷积神经网络ESPNet v2，用于对可视化数据和顺序数据进行建模。相比前一代网络，v2使用逐点群卷积和深度空洞可分离卷积。作者在四个不同的任务上使用该网络进行测试包括对象分类，语义分割，目标检测和语言建模，取得了优异与其他轻量级网络的效果。
论文学习笔记（四）ESPNet: Efficient Spatial Pyramid of Dilated Convolutions for Semantic Segmentation
热门推荐
Custom自定义
01-10 1万+
『写在前面』 2018上半年出品的语义分割轻量级网络。 论文出处：ECCV 2018 作者机构：Sachin Mehta等，University of Washington 原文链接：https://arxiv.org/abs/1803.06815v2 相关repo：https://github.com/sacmehta/ESPNet 目录 摘要 1 介绍 2 相关工作 关...
ESPNet/ESPNetV2：空洞卷积金字塔 | 轻量级网络
晓飞的算法工程笔记
01-28 2320
ESPNet系列的核心在于空洞卷积金字塔，每层具有不同的dilation rate，在参数量不增加的情况下，能够融合多尺度特征，相对于深度可分离卷积，深度可分离空洞卷积金字塔性价比更高。另外，HFF的多尺度特征融合方法也很值得借鉴   来源：晓飞的算法工程笔记 公众号 ESPNet 论文: ESPNet: Efficient Spatial Pyramid of Dilated Convolutions for Semantic Segmentation 论文地址：http://arxiv.org.
A Convolutional Neural Network based Single-frame Super-Resolution for Lensless Blood Cell Counting
02-07
This paper presents one Convolutional Neural Network based single-frame Super-Resolution processing (CNNSR) for lensless blood cell counting, which takes one single low-resolution cell shadow image as...
Spatio-temporal_Graph_Convolutional_Neural_Network.pdf
03-31
Spatio-temporal Graph Convolutional Neural Network: A Deep Learning Framework for Traffic Forecasting Bing Yu
ACNN-FM: A Novel Recommender with Attention-Based Convolutional Neural Network and Factorization Machines
02-08
ACNN-FM: A Novel Recommender with Attention-Based Convolutional Neural Network and Factorization Machines
Convolutional-Neural-Network-master.zip_4B8A_drop connect_networ
07-13
Drop out , Drop connect , Neural Network
A-Convolutional-Neural-Network-Cascade-for-Face-Detection:TensorFlow实现“用于面部检测的卷积神经网络级联”，CVPR 2015
05-17
用于人脸检测的卷积神经网络级联 此回购是TensorFlow中重新实现。 开始 准备资料 下载AFLW数据集（正）和COCO数据集（负）进行训练。 可以使用任何其他数据集代替负数的COCO数据集。 下载FDDB数据集进行测试。...
经典语义分割网络总结之FCN、U-Net、DeepLab系列、PSPNet、BiseNet系列和ESPNet系列
weixin_48799576的博客
09-04 5008
总结了部分经典的语义分割网络，以及不同的网络的组成结构，对比了不同的网络之间的特点。
ESPNetv2: A Light-weight, Power Efficient, and General Purpose Convolutional Neural Network
weixin_52372958的博客
05-12 1303
ESPNetv2: A Light-weight, Power Efficient, and General Purpose Convolutional Neural Network
论文阅读笔记(四)——ESPNetV2:A Light-weight Power Efficient and General Purpose Convolutional Neural Network
InkBamboo920的博客
01-29 1120
论文阅读笔记(九)——ESPNetV2 前言 这几天要改论文，大修…。改完还要写论文…u1s1，我觉得改论文比写论文难多了，毕竟一个只负责瞎吹比，另外一个解决审稿意见，太难了 1 论文简介 1.1 关于文章 论文名称:Xception: Deep Learning with Depthwise Separable Convolutions 链接:原文链接 百度网盘:原文链接 提取码:sgip 1.2 关于模型 为了计算更加高效： 将原来ESPNet的point-wise conv逐点卷积 替换为grou
ESPNet系列：自动驾驶领域轻量级分割模型
深度学习技术前沿
11-27 392
点击上方，选择星标或置顶，不定期资源大放送！阅读大概需要5分钟Follow小博主，每天更新前沿干货ESPNet: Efficient Spatial Pyramid of Dilated ...
语义分割论文：ESPNetv2: A Light-weight, Power Efficient, and General Purpose Convolutional Neural Network
mingo_敏
04-01 2137
ESPNetv2: ESPNetv2: A Light-weight, Power Efficient, and General Purpose Convolutional Neural Network (CVPR2019) https://arxiv.org/pdf/1811.11431.pdf PyTorch: https://github.com/sacmehta/ESPNetv2
语义分割论文：ESPNet:Efficient Spatial Pyramid of Dilated Convolutions for Semantic Segmentation (ECCV2018)
mingo_敏
04-01 1395
ESPNet: ESPNet: Efficient Spatial Pyramid of Dilated Convolutions for Semantic Segmentation (ECCV2018) https://arxiv.org/pdf/1803.06815.pdf PyTorch: https://github.com/sacmehta/ESPNet
轻量级实时分割网络RegSeg的完全解析
qq_50489856的博客
04-18 6049
@article{gao2021rethink, title={Rethink Dilated Convolution for Real-time Semantic Segmentation}, author={Gao, Roland}, journal={arXiv preprint arXiv:2111.09957}, year={2021} } 源码 paper 废话不多说，开局一张图看性能
a fast and robust convolutional neural network-based defect detection model
最新发布
09-21
快速而稳健的卷积神经网络缺陷检测模型是一种基于卷积神经网络的算法，用于检测产品或图像中的缺陷。该模型能够有效地处理大量的图像数据，并能在很短的时间内进行高精度的缺陷检测。 该模型的快速性来源于卷积神经...

“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