ResNeSt: Split-Attention Networks

论文链接： https://hangzhang.org/files/resnest.pdf

Code：代码

 

摘要

    尽管图像分类模型最近一直在继续发展，但是由于其简单且模块化的结构，大多数下游应用（例如目标检测和语义分段）仍将ResNet变体用作backbone。 我们提出了一个模块化的Split-Attention block，该block可实现跨feature map groups的attention。 通过以ResNet样式堆叠这些Split-Attention块，我们获得了一个称为ResNeSt的新ResNet变体。 我们的网络保留了完整的ResNet结构，可直接用于下游任务，而不会引起额外的计算成本。

 

ResNeSt模型的模型复杂度优于其他网络。 例如，ResNeSt-50使用224×224的单个crop-size在ImageNet上实现了81.13％的top-1 accuracy，比以前的最佳ResNet变种高出1％以上。 此改进还有助于下游任务，包括目标检测，实例分割和语义分割。 例如，通过简单地用ResNeSt-50替换ResNet-50backbone，我们将MS-COCO上的Faster RCNN的mAP从39.3％提高到42.3％，并将ADE20K上