文章目录
- Maintaining Performance with Less Data
- DINO： DETR with Improved DeNoising Anchor Boxes for End-to-End Object Detection(ICLR2023补)
- S^3 FD: Single Shot Scale-invariant Face Detector（2017）
- Object Detectors Emerge in Deep Scene CNNs（2015）
- Understanding the Effective Receptive Field in Deep Convolutional Neural Networks（2017）
- GooGleNet/Inception（2014）
- Distilling the Knowledge in a Neural Network（2015）（d补）
- UNet（2015）
- ResNet（CVPR2016）
- DenseNet（2017）
- ResNeXt（2017）
- SENet（2018）
- CSPNet（2019）
- EfficientNet（2020）
- SqueezeNet（2016）
- MobileNets（2017）
- ShuffleNet（2017）
- MobileNetV2（2019）
- ShuffleNet V2（2018）
- PeleeNet（2019）
- MnasNet（2019）
- MobileNetsV3（2019）
- Once-For-All（OFA2020）
- FPN（CVPR2017）
- PAN（2018.9）
- PanNet: A deep network architecture for pan-sharpening（ICCV 2017）
- Benchmarking Detection Transfer Learning with Vision Transformers（2021.11）
- Exploring Plain Vision Transformer Backbones for Object Detection（2022.6）
- Masked Autoencoders Are Scalable Vision Learners（2021.12）
- Masked Autoencoders As Spatiotemporal Learners（2022.10）
- Scaling Language-Image Pre-training via Masking(2023.5)
- Multi-scale structural Kernel Representation for Object Detection（2018.4）
- RetinaNet（2018）
- DETR（2020）
- One Thumbnail Image Contains All You Need for Recognition（2020.10）
- One thumbnail image is enough for object detection（2022.12）
- Distilling Object Detectors via Decoupled Features（CVPR2021）
- Swin Transformer: Hierarchical Vision Transformer using Shifted Windows(ICCV2021)
- Swin Transformer V2 Scaling Up Capacity and Resolution（CVPR2022）
- CSWin Transformer: A General Vision Transformer Backbone with Cross-Shaped Windows（CVPR2022）
- UNIPOSE: DETECTING ANY KEYPOINTS（2023.10.12）
- HUMAN TOMATO: T EXT - ALIGNED WHOLE-BODY MOTION GENERATION（2023.10.19）
- Run, Don‘t Walk: Chasing Higher FLOPS for Faster Neural Networks（CVPR2023）
Maintaining Performance with Less Data
很好
提出了一种用于图像分类的神经网络训练的新方法，动态地减少输入数据
描述了三种动态引入数据到模型的新方法，每种方法都减少了执行的评估量:
– Data Step
– Data Increment
– Data Cut
Model如下，key：加了数据选择阶段
数据收集–>数据选择–>数据增强–>训练–>数据选择–>数据增强–>训练…–>训练完成–>输出
DINO： DETR with Improved DeNoising Anchor Boxes for End-to-End Object Detection(ICLR2023补)
hh
提出了DINO(带改进去噪锚盒的DETR)，一种最先进的端到端目标检测器。DINO通过使用对比方法进行去噪训练，使用混合查询选择方法进行
订阅专栏 解锁全文
315
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
