GhostNet 测试

最新推荐文章于 2023-10-05 19:06:38 发布
最新推荐文章于 2023-10-05 19:06:38 发布
阅读量3.5k 收藏 3
点赞数 1
分类专栏： 深度学习宝典
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/jacke121/article/details/104554472
版权
本文介绍了GhostNet的实现和工作原理，Ghost Bottleneck结构类似于残差块，通过Ghost模块来增加和减少特征维度。文章提到了expansion ratio的概念，并讨论了stride为1和2的情况。同时，还提及了_Ghost_net.pytorch_的GitHub资源以及_pvanet_的相关链接，以供进一步研究。
摘要由CSDN通过智能技术生成

1070 640*480 batch 8可以

https://github.com/iamhankai/ghostnet.pytorch/blob/master/ghost_net.py

pvanet

https://blog.csdn.net/jacke121/article/details/104469517/

 

 Ghost Bottleneck(G-bneck)与residual block类似，主要由两个Ghost模块堆叠二次，第一个模块用于增加特征维度，增大的比例称为***expansion ration***，而第二个模块则用于减少特征维度，使其与shortcut一致。G-bneck包含stride=1和stride=2版本，对于stride=2，shortcut路径使用下采样层，并在Ghost模块中间插入stride=2的depthwise卷积。为了加速，Ghost模块的原始卷积均采用pointwise卷积

 

_make_divisible函数：会对channel进行一些限制，如保证channel的最小值以及是8的倍数

 

了解本专栏 订阅专栏 解锁全文 超级会员免费看
AI算法网奇
关注
专栏目录
订阅专栏
YOLOv7改进 | 更换主干网络之GhostNet
突然好想你
02-27 750
GhostNet是一种轻量级的卷积神经网络架构，它的设计目标是在保持高精度的同时，减少模型的参数和计算量，以便在资源受限的设备上进行高效推理。GhostNet在多个计算机视觉任务上取得了很好的性能，如图像分类、目标检测和人脸识别等！~🌈
【YOLOv8改进】 YOLOv8 更换骨干网络之 GhostNet ：通过低成本操作获得更多特征 (论文笔记+引入代码)
最新发布
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
02-18 6377
在嵌入式设备上部署卷积神经网络（CNNs）由于有限的内存和计算资源而变得困难。特征图中的冗余是那些成功的CNNs的一个重要特性，但在神经架构设计中很少被研究。本文提出了一种新颖的Ghost模块，用于通过低成本操作生成更多的特征图。基于一组内在特征图，我们应用一系列低成本的线性变换来生成许多能够充分揭示内在特征信息的幽灵特征图。所提出的Ghost模块可以作为一个即插即用的组件来升级现有的卷积神经网络。设计了Ghost瓶颈来堆叠Ghost模块，然后可以轻松建立轻量级的GhostNet。在基准测试上进行的实验表明
【目标检测】C-GhostNet
Chenjiahui_LYee的博客
01-06 993
本篇论文是华为诺亚方舟实验室在CVPR2020上提出的一种轻量级网络GhostNet。在优秀CNN模型中，特征图存在冗余是非常重要的，但是很少有人在模型结构设计上考虑特征图冗余问题（The redundancy in feature maps）。而本文就从特征图冗余问题出发，提出一个仅通过少量计算（cheap operations）就能生成大量特征图的结构——Ghost Module。
ghostnet源码测试
Christo的博客
06-11 426
文章目录前言1，理论2，源码测试学习 前言 ghostnet为华为发布的轻量级检测网络，性能全面超过谷歌的mobilenet，今天就来学习以下这个工作，分理论和源码测试两个部分分别介绍。 GitHub地址：ghostnet 1，理论 理论部分参考这篇文章CVPR 2020：华为GhostNet，超越谷歌MobileNet，已开源 个人理解核心的部分是理解论文中对于恒等映射的实现，以及理解利用已有的特征图通过线性映射生成ghost features的动机，也就是下面这张图所要表达的意思。 2，源码测试学习
【目标检测】|GhostNet
qq_35608277的博客
06-03 897
GhostNet 如果按照传统的思考方式，可能认为这些相似的特征图存在冗余，是多余信息，想办法避免产生这些高度相似的特征图。 本文推测CNN的强大特征提取能力和这些相似的特征图（Ghost对）正相关。提出并非所有特征图都要用卷积操作来得到，“幻影”特征图可以用更简单的线性操作来生成。 深度神经网络中的普通卷积层将分为两部分。第一部分涉及普通卷积，但是将严格控制它们的总数。给定第一部分的固有特征图，然后将一系列简单的线性运算应用于生成更多特征图。与普通卷积神经网络相比，在不更改输出特征图大小的情况下，该Gh
【目标检测】G-GhostNet
Chenjiahui_LYee的博客
01-06 1640
论文题目：《GhostNets on Heterogeneous Devices via Cheap Operations》 本文针对网络部署时面临的内存和资源有限的问题，提出两种不同的Ghost模块，旨在利用成本低廉的线性运算来生成Ghost特征图。
GhostNet
qq_53643542的博客
04-10 337
GhostNet模型的基本介绍IntroductionInnovationGhost ModuleGhost NetExperiments备注 Introduction Innovation Ghost Module Ghost Net Experiments 备注 论文地址
超级详细易懂的GhostNet解析
qq_50489856的博客
03-31 2万+
GhostNet的不完全解析 CVPR2020 & IJCV2022(the extended version) Noah’s Ark Lab, Huawei Technologies 论文地址： https://arxiv.org/abs/1911.11907 源码：https://github.com/huawei-noah/ghostnet. 摘要 由于内存和计算资源有限，在嵌入式设备上部署卷积神经网络(CNNs)是很困难的。特征图中的冗余性是这些成功cnn的一个重要特征，但在神经结构设计
MindSpore新型轻量级神经网络GhostNet，在ImageNet分类、图像识别和目标检测等多个应用场景效果优异！
Kenji_Shinji的博客
06-25 2778
华为研究员提出一种新型轻量神经网络架构，表现全面超越谷歌MobileNetV3和Facebook的FBNet，相关论文累计引用近300，入围PaperDigest的CVPR 2020 Most Influential Papers榜单。论文提出了一个全新的Ghost模块，旨在通过廉价操作生成更多的特征图。基于一组原始的特征图，作者应用一系列线性变换，以很小的代价生成许多能从原始特征发掘所需信息的“幻影”特征图（Ghost feature maps）。该Ghost模块即插即用，通过堆叠Ghost模块得出Gho
ghostnet.pytorch:[CVPR2020] GhostNet
03-08
此仓库仅实现GhostNet的演示代码。 请移至以获取更多详细信息。 幽灵网 此存储库提供了CVPR 2020论文Pytorch演示实现。 带有预训练模型的TensorFlow / PyTorch实现可在。 要求 该代码已在Python3 PyTorch 1.0+上进行了验证。 用法 用法示例： import torch from ghost_net import ghost_net model = ghost_net(width_mult=1.0) input = torch.randn(32,3,224,224) y = model(input) print(y) GhostNet简介 GhostNet：廉价运营带来的更多功能。 CVPR2020。 韩开，王云和，田琦，郭建元，徐春景，徐昌。 方法 表现 GhostNet击败了其他SOTA轻量级CNN，例如MobileNetV
ghostnet.pytorch:ImageNet上73.6％的GhostNet 1.0x预训练模型
04-14
GhostNet的PyTorch实施 如GhostNet中所述重现GhostNet架构的由Kai Han，Yunhe Wang，祁天，郭建元，徐纯景，关于框架的ILSVRC2012基准。 预训练模型 建筑学 ＃ 参数 MFLOPs 前1名/前5名准确性（％） 5.181百万 140.77 73.636 / 91.228 from ghostnet import ghostnet net = ghostnet () net . load_state_dict ( torch . load ( 'pretrained/ghostnet_1x-9c40f966.pth' )) 培训策略 8个GPU上的批处理大小为1024 初学率0.4 重量衰减0.00004 辍学率0.2 BN重量无衰减 我们将上述设置保持不变，并使用以下不同的训练技术进行实验，以进行消融和繁殖。 在预热阶段，学
轻量级目标检测网络.docx
08-19
本文档回顾一般的目标检测算法和轻量级网络算法，并对SSD算法和MobileNet算法进行较为详细的介绍，最终使用MobileNet-SSD算法进行车牌识别。
ghostnet
liguandong
11-13 7848
CVPR 2020：华为GhostNet，超越谷歌MobileNet，已开源 - 知乎来自华为诺亚方舟实验室的一篇工作近日被CVPR 2020接受，提出了一种新型的端侧神经网络架构，GhostNet。作者：韩凯、王云鹤等。该架构可以在同样精度下，速度和计算量均少于SOTA算法。 该论文提供了一个全新的Ghos…https://zhuanlan.zhihu.com/p/109325275GhostNet论文解析：Ghost Module - 知乎简介： GhostNet是2020CVPR录用的...
GhostNet网络详解
热门推荐
STATEABC的博客
04-15 2万+
1. GhostNet网络 一张图片经过神经网络进行特征提取后，能够得到很多特征图。 在特征图中会有一些相似性很高，这就是神经网络中存在的特征图冗杂的情况(如图中扳手相连的两幅特征图)。 作者认为可以对其中的一个特征图进行(Cheap Operations)简单的线性运算从而生成更多相似特征图，从而可以使用更少的参数生成更多的特征图，将相似的特征图认为是彼此的Ghost。 2. Ghost Module 作者用Ghost Module代替传统卷积，首先采用普通的1x1卷积对输入图片进行通道数的压缩，然后
用pytorch实现GhostNet module
Bismarckczy的博客
04-14 310
Ghost Module有许多可调整的超参数，包括输入通道数，输出通道数，内核大小，ratio参数，dw_size参数和stride参数。cheap_operation是后续的卷积层，它在depthwise卷积之后通过逐点卷积将通道数扩展到output_channels。最后，在输出之前，我们将主要的卷积层和廉价操作的输出级联在一起。GhostNet是一种轻量级的深度卷积神经网络，它使用了一种称为“ghost模块”的新型模块，可以在保持高准确度的同时，大大降低网络参数量。
PyTorch实现GhostNet
Falcont的博客
05-31 874
注释等在代码中直接给出，模块结构都已给出，可分块进行搭建。 import包 import torch import torch.nn as nn import math import torch.nn.functional as F from torchsummary import summary 使用GPU device = torch.device('cuda') 输出通道满足倍数关系 def Make_Divisible(v, divisor, min_value=None): '''
pytorch搭建GhostNet网络模型
tgj2094942564的博客
08-10 2681
绪论 随着卷积神经网络部署在终端的需求越来越强烈，很多研究者们开始研究如何降低神经网络的计算量。一种方法是在一个已经训练好的网络基础上做一些裁剪和量化，比如模型剪枝、低比特量化、知识蒸馏；另外一种方法是设计高效的神经网络架构，比如MobileNetv1-v3系列、ShuffleNet等等。 特征冗余性是卷积神经网络的重要特性之一，一些轻量化网络的工作恰恰是利用特征的冗余性，通过裁掉部分冗余特征达到模型轻量化的效果。 与其他工作不同，这篇文章并没有刻意裁剪冗余的特征，而是用一种比传统卷积层更轻量化的方法去生成
GhostNet原理解析及pytorch实现
m0_62919535的博客
10-05 4117
简要论述GhostNet的核心内容。在训练良好的深度神经网络的特征图中，丰富甚至冗余的信息通常保证了对输入数据的全面理解。上图是ResNet-50中第一个残差组生成的一些特征图的可视化，其中三个相似的特征图对样例用相同颜色的方框标注。其中存在许多相似的特征图对，就像一个幽灵一样。其中一个特征映射可以通过简单的操作(用扳手表示)对另一个特征映射进行变换近似得到。作者认为特征映射中的冗余是一个成功的深度神经网络的重要特征，而不是避免冗余的特征映射，更倾向于采用它们，但以一种经济有效的方式。
评论 1
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

打赏作者

AI算法网奇

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