Unet++改进50：在不同位置添加InceptionDWConv2d|保持大感受野的同时，显著提升了模型的计算效率

本文内容：在不同位置添加InceptionDWConv2d

目录

论文简介

1.步骤一

2.步骤二

3.步骤三

4.步骤四

---

论文简介

受ViTs远程建模能力的启发，大核卷积最近被广泛研究和采用，以扩大接受野和提高模型性能，如使用7×7深度卷积的出色工作ConvNeXt。虽然这种深度运算只消耗少量的FLOPs，但由于较高的内存访问成本，很大程度上损害了模型在功能强大的计算设备上的效率。例如，ConvNeXt-T具有与ResNet-50相似的FLOPs，但在A100 gpu上进行全精度训练时只能达到60%的吞吐量。虽然减小ConvNeXt的内核大小可以提高速度，但它会导致显著的性能下降。目前还不清楚如何在保持性能的同时加速基于大核的CNN模型。为了解决这个问题，受inception的启发，我们提出将大核深度卷积沿通道维度分解为四个平行分支，即小平方核，两个正交带核和一个单位映射。通过这种新的盗梦深度卷积，我们构建了一系列网络，即IncepitonNeXt，不仅具有高吞吐量，而且具有竞争力的性能。例如，Incept