论文笔记系列：轻量级网络（一）-- RepVGG

已于 2023-01-30 10:32:54 修改
阅读量1.9k 收藏 13
点赞数 5
分类专栏： 深入浅出AI 论文笔记 计算机视觉CV 文章标签： 深度学习 人工智能 神经网络 cnn pytorch
于 2022-10-22 10:00:00 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_36816848/article/details/127441840
版权
RepVGG是一种轻量级的卷积神经网络，结合了VGG的简单结构和ResNet的残差思想。在训练时采用多分支结构，推理时融合为单分支，提高性能和速度。通过3x3卷积、 BN融合等策略，RepVGG实现了高效且易于部署的模型，适用于图像分类任务。
摘要由CSDN通过智能技术生成

 ✨写在前面：强烈推荐给大家一个优秀的人工智能学习网站，内容包括人工智能基础、机器学习、深度学习神经网络等，详细介绍各部分概念及实战教程，通俗易懂，非常适合人工智能领域初学者及研究者学习。➡️点击跳转到网站。

RepVGG笔记

论文名称：RepVGG: Making VGG-style ConvNets Great Again
论文下载地址：https://arxiv.org/abs/2101.03697

参考代码：

了解本专栏 订阅专栏 解锁全文 超级会员免费看
GoAI
关注
专栏目录
订阅专栏
轻量级的肝脏与肝肿瘤 2.5D 分割网络阅读笔记
李响
04-29 1303
文章目录 1 前言 2 方法概述 2.1 InceptionV1-V3 and convolution conversion 2.2 Residual block 2.3 2.5D 网络 3 RIU-Net 的整体结构 4 实验和可视化 5 总结 1 前言 最近一直在读医学图像的论文，于是我打算写一个系列的阅读笔记，语言比较精简。在上一篇阅读笔记（https://zhuanlan.zhihu.com/p/505483978）中，分析了医学图像分割的混合 Transformer 网络：UTNet，在
论文阅读|图像分类网络RepVGG，沿用VGG风格，简单强大，精度和速度上取得更好权衡。
yanghao201607030101的博客
03-04 1579
论文提出RepVGG，它仅由3×3卷积和ReLU组成，非常适用于GPU或者专用于推断的芯片。在结构化再参数方法的作用下，该简单的卷积网络在ImageNet上的top-1准确率超过了80%，并且相比SOTA模型，在精度和速度上取得更好权衡。
RepVGG 论文笔记
Tianchao龙虾
10-26 223
RepVGG: Making VGG-style ConvNets Great Again RepVGG CVPR 2021 论文链接: https://arxiv.org/abs/2101.03697 一、 Problem Statement 目前的网络结构普遍有以下缺点: 复杂的分支结构: residual addtion, branch-concatenation等等，使得模型推理速度降低和减少内存的利用。 增加了MAC: depthwise convolution， channel shuff
RepVGG论文阅读
dawnyi_yang的博客
03-14 651
前言 VGG网络也是之前学习过的网络。而RepVGG类似于VGG的推理时间主体，在ImageNet上，RepVGG的top-1准确性达到80％以上。这是基础模型首次实现80%以上的精度，综合性能超越ResNet、EfficientNet等。 摘要 RepVGG架构是一个简单且强大的卷积神经网络架构，该架构具有类似于VGG的推理时间主体，该主体仅由3x3卷积和ReLU的堆叠组成，而训练时间模型具有多分支拓扑。训练时间和推理时间架构的这种解耦是通过结构重新参数化(re-parameterization)技术实现
RepVGG：极简架构，SOTA性能，让VGG式模型再次伟大
程序员深度学习
03-20 1183
1.摘要 本文提出了一个简单但功能强大的卷积神经网络架构，该架构推理时候具有类似于VGG的骨干结构，该主体仅由3 x 3卷积和ReLU堆叠组成，而训练时候模型采用多分支拓扑结构。 训练和推理架构的这种解耦是通过结构重参数化技术实现的，因此该模型称为RepVGG。 在ImageNet上，据我们所知，RepVGG的top-1准确性达到80％以上，这是老模型首次实现该精度。 在NVIDIA 1080Ti GPU上，RepVGG模型的运行速度比ResNet-50快83％，比ResNet-101快101％，并且具有.
DeblurGAN-v2: Deblurring (Orders-of-Magnitude) Faster and Better阅读笔记
热门推荐
weixin_42784951的博客
09-17 1万+
abstract 我们提出了一个名为DeblurGAN-v2的端到端的生成对抗网络，它对于去模糊产生了非常好的性能。DeblurGAN-v2基于conditional GAN(带有两个判别器)。我们将特征金字塔网络结构作为DeblurGAN-v2生成器的核心构建块。 它可以灵活地与各种backbone配合使用，在性能和效率之间取得平衡。如果使用复杂的backbone(如Inception-ResN...
高效的基于决策的黑盒攻击方法HSJA:HopSkipJumpAttack: A Query-Efficient Decision-Based Attack
xunbaobao123的博客
04-10 7071
高效的基于决策的黑盒攻击方法HSJA:HopSkipJumpAttack: A Query-Efficient Decision-Based Attack 目录高效的基于决策的黑盒攻击方法HSJA:HopSkipJumpAttack: A Query-Efficient Decision-Based Attack一.介绍二.方法2.1 优化框架2.2 对于l2距离的一个迭代算法2.3 扩展到L∞距...
超分网络 笔记 轻量级
jacke121的专栏
04-26 3785
超分网络 笔记 轻量级
VGG论文 1409.1556-VGG
09-09
VGG论文 1409.1556-VGG-VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION
VGGnet的论文资料
05-17
VGGnet的论文资料
深度学习VGG网络论文
12-12
2015年英国牛津大学karen simonyan深度学习的vgg模型论文原文
基于深度学习VGG网络模型的海洋单细胞藻类识别算法.pdf
08-18
基于深度学习VGG网络模型的海洋单细胞藻类识别算法.pdf
【论文】VGG
green hand的博客
12-01 340
主要成果： 1.研究深度与精度关系 2. 3*3卷积，1*1 3. 16-19层 4. 定位冠军，分类亚军 5. 公开模型 研究背景： 1.CNN（Alexnet） 2.小卷积（ZFNet） 3.Dense稠密测试（OverFeat） 4.1*1卷积（NIN）（VGG中用了两处，第一次是D模型增加非线性，第二次是稠密测试） 改进点： 1.小卷积核，2个3*3 等价5*5，3个3*3 等价7*7（感受野的等价）作用：节约参数，3个3*3比1个7*7节省81%参数（49-27）/
VGG论文(Very Deep Convolutional NetWorks for Large-Scale Image Recognition) 学习笔记
stu14jzzhan的博客
06-22 388
引言 自2012年AlexNet神经网络引起大量的关注之后, 大量的研究者在尝试着对它进行改进, 如: 在第1个卷积层中, 使用更小的接收窗口及更小的步幅带来结果的提升 对训练数据及测试数据进行基于多尺度变换也会提升模型的效果 这篇论文是希望对卷积神经网络的深度进行探讨. VGG通过使用小的卷积核，来增加卷积层的数量以加深网络，发现深度越深，网络学习能力越好，分类能力越强。 网络配置 ...
RepVGG
cdknight_happy的专栏
09-02 798
论文：https://arxiv.org/pdf/2101.03697v3.pdf 代码：https://github.com/DingXiaoH/RepVGG VGG式的推理模型，由3 * 3卷积块和ReLU激活函数组成。 训练时用的是一个多分支的网络，然后通过结构re-parameter技术得到推理网络。因为用到了结构re-parameter，所以叫做RepVGG。 1 简介 复杂网络可以取得更高的识别精度，但是有如下缺点： 复杂的多分支结构(ResNet中的残差直连通道、Inception中的多分支
VGG论文笔记及代码
charles_zhang_的博客
04-20 1221
VGG论文笔记及代码 VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION 牛津大学视觉组（VGG）官方网站：https://www.robots.ox.ac.uk/~vgg/ Abstract 在这项工作中，我们研究了在大规模图像识别环境中卷积网络深度对其准确性的影响。我们的主要贡献是使用具有非常小（3×3）卷积滤波器的架构对深度不断增加的网络进行了彻底评估，这表明通过将深度推至16–19权重层，可以实现对现有技术配置的显著
经典网络-VGG论文及实践
uncle_ll的博客
03-30 1066
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION 用于大规模图像识别的非常深的卷积网络 作者：Karen Simonyan，Andrew Zisserman 单位：牛津大学 工程科学系视觉几何学组 文章地址：https://www.robots.ox.ac.uk/~vgg/publications/2015/Simonyan15/ 项目地址：https://www.robots.ox.ac.uk/~vgg/r
评论 3
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

GoAI

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