本文汇总了最新的CNN论文，包括PeLK：一种参数高效的大型核卷积网络，通过外围卷积减少参数复杂度，扩展内核大小至101×101。另外介绍了DCNv4，优化了Deformable Convolution，提升了速度和性能。此外，StarNet展示了星形运算在紧凑网络中的强大潜力，通过多层堆叠实现隐式高维度特征空间。
转载请注明作者和出处：http://blog.csdn.net/john_bh/
** CNN 论文及代码汇总，持续更新中~~**
1. Metrics
2. Paper List
2.1 Survey
- XXXXX
2.2 Papers
2024
-
PeLK: Parameter-efficient Large Kernel ConvNets with Peripheral Convolution — CVPR 2024
一些大型的核卷积神经网络可以取得令人满意的性能和效率，然而，考虑到卷积的平方复杂度，按比例扩大 Kernels 会产生大量的参数，而扩散的参数会导致严重的优化问题。由于这些问题，目前的 cnn 以 stripe convolution 的形式扩展到51 × 51(即51 × 5 + 5 × 51)，并随着kernels 大小的持续增长而开始饱和。在本文中，将深入研究这些关键问题，并探讨是否可以继续扩展内核以获得更多性能提升。鉴于人类的周边视觉的周边区域只有极少量的感光细胞，认为密集的参数对于周边相互作用来说并不是必需的。受此启发，寻求通过引入peripheral vision mechanism 来降低参
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
