万字长文解析 VoVNet模型

已于 2022-12-14 15:50:41 修改
阅读量432 收藏 5
点赞数
分类专栏： 模型压缩与部署 文章标签： DensNet GPU计算效率 密集连接 OSA 模块 VoVNet 网络
于 2022-09-15 14:47:44 首次发布
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/qq_20986663/article/details/126871043
版权
本文深入剖析了VoVNet模型，针对DenseNet的内存访问代价和GPU计算效率问题，提出了One-Shot Aggregation模块，通过减少中间层的密集连接，提高网络效率。实验表明，VoVNet在保持高性能的同时，速度和能耗优于DenseNet和ResNet，尤其适合目标检测任务。
摘要由CSDN通过智能技术生成
了解本专栏 订阅专栏 解锁全文 超级会员免费看
嵌入式视觉
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
vovnet 测试
jacke121的专栏
02-28 3170
vovnet39， 1070 640*640 batch 1 15ms 最多 batch 4 130ms import time import torch import torch.nn as nn import torch.nn.functional as F from collections import OrderedDict __all__ = ['VoVNet', 'v...
VoVNet论文解读
09-29 1156
作者于2019年发表的论文 An Energy and GPU-Computation Efficient Backbone Network for Real-Time Object Detection. 是对DenseNet网络推理效率低的改进版本。因为DenseNet通过用密集连接，来聚合具有不同感受野大小的中间特征，因此它在对象检测任务上表现出良好的性能。虽然特征重用（）的使用，让DenseNet以少量模型参数和FLOPs，也能输出有力的特征，但是使用DenseNet作为backbone。
论文笔记之VOVNet
加油
05-20 2291
> 主要是解决DenseNet的检测速度慢效率低的问题。 > 本文被CVPR2019收录
VoVNet论文研读
qq_44846512的博客
01-07 512
VoVNet论文研读
【网络结构设计】5、VoVNet | 专为实时目标检测设计
呆呆的猫的博客
10-14 1340
本文主要介绍 VoVNet
万字长文解析 CSPNet 模型
专注计算机视觉算法训练，算法优化部署以及SDK开发的知识分享。
09-15 663
作者认为网络推理成本过高的问题是由于网络优化中的梯度信息重复导致的。CSPNet 通过将梯度的变化从头到尾地集成到特征图中，在减少了计算量的同时可以保证准确率。CSP（Cross Stage Partial Network，简称 CSPNet） 方法可以减少模型计算量和提高运行速度的同时，还不降低模型的精度，是一种更高效的网络设计方法，同时还能和Resnet、Densenet、Darknet 等 backbone 结合在一起。
万字长文解析 RepVGG 模型
专注计算机视觉算法训练，算法优化部署以及SDK开发的知识分享。
09-15 1446
论文的主要贡献在于：提出了一种简单而强有力的 CNN 架构 RepVGG，相比 EfficientNet、RegNet 等架构，RepVGG 具有更佳的精度-速度均衡； 提出采用重参数化技术对 plain 架构进行训练-推理解耦；在图像分类、语义分割等任务上验证了 RepVGG 的有效性。
ChatGPT原理分析-万字长文解析.docx
04-17
ChatGPT原理分析-万字长文解析.docx
重磅干货：万字长文解析全球商品期货量化交易策略.pdf
12-17
量化交易策略在商品期货市场的应用 量化交易策略在商品期货市场的应用是近年来备受关注的一个热门话题。随着商品期货市场的发展和 matures，越来越多的投资者和基金公司开始关注商品期货市场的投资机会。...
VoVNet-FCOS:具有VoVNet（CVPRW'19）骨干网的FCOS
03-10
与 （CVPRW'19）高效骨干网 这个软件库包含 （ICCV'19）与 （CVPRW'19）高效的骨干网络。 该代码基于FCOS的 强调 高效记忆 更好的性能，特别是对于小物体 速度更快 与ResNet主干网比较 相同的超参数 相同的训练方案（最大纪元，学习率时间表等） 8个TITAN Xp GPU pytorch1.1 CUDA v9 cuDNN v7.2 骨干 多尺度培训 推断时间（毫秒） 箱式AP（AP / AP / APm / APl） 下载 R-50-FPN-1x 不 84 37.5 / 21.3 / 40.3 / 49.5 -- V-39 -FPN-1x 不 82 37.7 / 22.4 /41.8/48.4 R-101-FPN-2x 是的 104 41.3 / 25.0 / 45.5 / 53.0 -- V-57 -FPN-2x 是的
VoVNet.pytorch:VoVNet的pytorch实现
03-15
VoVNet骨干网的pytorch实现 这是VoVNet骨干网络的pytorch实现，如论文。 这是通过样式实现的。 此回购协议提供什么？ 此仓库提供了在ImageNet分类数据集中训练的VoVNet-39 / 57模型，其训练协议与（例如128个批处理大小，90个时代，数据扩充，lr_policy等），并与ResNet和DenseNet进行了比较。 ImageNet结果 笔记： 为了公平起见，将相同的培训协议用作 90纪 分步学习进度表（学习率每30个周期下降一次） 256批次大小 默认增强（例如，裁剪，翻转，相同的均值/标准差归一化） @ 224x224训练/验证 推断时间是在TITAN X PASCAL GPU上测量的CUDA v9.2，cuDNN v7.3，pytorch 1.0 模型 前1名 前5 推断时间 ResNet-50 23.85％ 7.13％ 12毫
高效VoVNet
qq_15073835的博客
05-06 768
VoVnet, It means Variety of View Network。 论文An Energy and GPU-Computation Efficient Backbone Network for Real-Time Object Detection 近年来出现的高效网络，如MobileNet，ShuffleNet等主要关注于处理FLOPs和模型大小（通过深度可分离卷积的方式），但是这...
【目标检测】|VoVNet
qq_35608277的博客
06-03 582
简介 DenseNet在目标检测任务上表现很好。因为它通过聚合不同receptive field特征层的方式，保留了中间特征层的信息。它通过feature reuse 使得模型的大小和flops大大降低，但是，实验证明，DenseNet backbone更加耗时也增加了能耗：dense connection架构使得输入channel线性递增，导致了更多的内存访问消耗，进而导致更多的计算消耗和能耗。 根据shuffleNet v2，减小flops和model size并不能保证GPU运算时间的减少。比如，sh
VoVNet：一种实时高效的目标检测Backbone网络【pytorch代码详解】
Jeremy_lf的博客
06-23 2107
Pytorch实现代码 2.Factors of Efficient Network Design 在设计轻量级网络时，FLOPs和模型参数是主要考虑因素，但是减少模型大小和FLOPs不等同于减少推理时间和降低能耗。比如ShuffleNetv2与MobileNetv2在相同的FLOPs下，前者在GPU上速度更快。所以除了FLOPs和模型大小外，还需要考虑其他因素对能耗和模型推理速度的影响。这里考虑两个重要的因素：内存访问成本（Memory Access Cost，MAC）和GPU计算效率。 2.1. Mem
VOVNet：高效目标检测backbone网络
dawnyi_yang的博客
03-27 3699
摘要 在目标检测中，DenseNet表现良好，通过聚合不同感受野特征层的方式，保留了中间特征层的信息。它通过feature reuse 使得模型的大小和flops大大降低，但是，实验证明，DenseNet backbone更加耗时也增加了能耗：dense connection架构使得输入channel线性递增，导致了更多的内存访问消耗，进而导致更多的计算消耗和能耗。因此文章介绍了一种OSA（one-shot-aggregation）模块，使网络的MAC减少， ...
VoVNet神经网络学习
最新发布
m0_58352395的博客
03-27 394
SSD采用VGG，YOLO采用DarkNet，Faster R-CNN采用ResNet，我们一般称这些网络为目标检测模型的backbone。4个stage的OSA模块，每个stage的最后会采用一个stride为2的3x3 max pooling层进行降采样。基于VoVNet的目标检测模型性能超越基于DenseNet的模型，速度也更快，相比ResNet也是性能更好。FLOPS：浮点运算的数量，表示卷积层的计算量大小，评估模型的复杂度和计算效率。大的卷积层尽量别拆为小的卷积层，不利于GPU计算效率。
VoVNet（CVPR workshop 2019）原理与代码解析
00000cj的博客
02-24 1378
为了解决DenseNet的低效问题，本文提出了一种高效的架构VoVNet，由One-Shot Aggregation（OSA）组成。OSA不仅保留了DenseNet的优势即具有多种感受野的多样性特征，同时通过在最后一个特征图只聚合所有特征一次克服了密集连接的低效问题。基于VoVNet的检测模型与基于DenseNet的检测模型相比，速度快了2x，能耗减少了1.6x - 4.1x。同时与在速度和能耗方面还优于广泛使用的ResNet骨干网络的检测模型。特别是，小目标的检测性能比DenseNet和ResNet得到了
VOVNET代码分析
m0_63137597的博客
12-10 535
学习深度学习网络模块的结构
Python重点全解析：万字长文详解与新特性概览
本文档深入探讨了Python语言的重点知识，...通过这份详尽的万字长文，读者能够全面了解Python语言的核心特性，掌握从基础语法到高级特性的迁移和应用技巧。无论是初学者还是经验丰富的开发人员，都可以从中受益良多。
评论
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

嵌入式视觉

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