轻量级网络：IGCV系列V1、V2、V3

最新推荐文章于 2021-05-16 15:30:13 发布
最新推荐文章于 2021-05-16 15:30:13 发布
阅读量3k 收藏 21
点赞数 2
分类专栏： 笔记
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_39382877/article/details/97415288
版权
本文详细介绍了轻量级网络IGCV系列，包括IGCV1的交错组卷积概念，IGCV2的进一步优化，以及IGCV3与MobileNetV2的相似之处。IGCV通过特殊的组卷积结构，在保持参数量和计算复杂度不变的情况下，提高了网络性能。
摘要由CSDN通过智能技术生成

前言

前面在写ShuffleNet的时候提到了解决Group Conv各个组之间的信息交互的问题就提到了IGCV，今天就整理一下IGCV系列。
附上微软的视频分享：https://www.bilibili.com/video/av23295590?from=search&seid=7224169471719308503

IGCV1

论文：https://arxiv.org/pdf/1707.02725v2.pdf
代码：https://github.com/zlmzju/fusenet

创新点

它的重点在于一个新颖的构建块：是由一对连续且相互交错的组卷积组成。这两个组卷积是互补的：

  • 在第一个组卷积中的卷积都是空间域卷积；第二个组卷积中的卷积是逐点卷积；
  • 第二个组卷积中同一
最低0.47元/天 解锁文章
傅里叶不积分1
关注
  • 2
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
互卷积网络_IGCV1/V2/V3：全分组卷积网络，分组卷积的极致使用 | 轻量级网络
weixin_39857480的博客
12-22 304
IGC系列网络的核心在分组卷积的极致运用，将常规卷积分解成多个分组卷积，能够减少大量参数，另外互补性原则和排序操作能够在最少的参数量情况下保证分组间的信息流通。但整体而言，虽然使用IGC模块后参数量和计算量降低了，但网络结构变得更为繁琐，可能导致在真实使用时速度变慢来源：晓飞的算法工程笔记 公众号IGCV1论文: Interleaved Group Convolutions for Deep Ne...
[读书笔记] Interleaved Structured Sparse Convolutional Neural Networks读书笔记
weixin_42040743的博客
08-14 1517
基于交错组卷积的高效深度神经网络（IGC V2） 论文地址：https://arxiv.org/pdf/1804.06202.pdf 目的 利用消除卷积核冗余的方法构建有效的卷积神经网络 #...
IGCV1：Interleaved Group Convolutions for Deep Neural Networks
dawnyi_yang的博客
05-16 673
摘要 文章提出了一种一种简单的模块化网络结构，将其称为交错组卷积神经网络(IGCNets)。它的重点在于一个新颖的构建块：是由一对连续且相互交错的组卷积组成。这两个组卷积是互补的： 在第一个组卷积中的卷积都是空间域卷积；第二个组卷积中的卷积是逐点卷积； 第二个组卷积中同一个分组内的所有通道来自于第一个组卷积中不同分组。 这样做的优势是：和普通卷积相比，在网络参数量和计算复杂度不变的同时，使得网络变得更宽了。 论文地址：Interleaved Group Convolutions for Deep Neura
IGC（Interleaved Group Convolutions） 【IGC代替卷积，获得更小、更快、更准的深度学习模型IGCV】
王爷的CSDN
06-28 4892
下面是微软研究院张婷研究员的报告PPT节选。视频：https://www.bilibili.com/video/av23295590?from=search&seid=7224169471719308503深度学习被引起关注是在2012年用神经网络训练的一个分类模型在ImagNet上取得了第一名，而且其分类精度比第二名高出10多个点，当时所使用的模型为AlexNet，现在看来其为一个比较简...
论文笔记-IGCV3：Interleaved Low-Rank Group Convolutions for Efficient Deep Neural Networks
Liven_Zhu的博客
07-11 1903
介绍 在这篇论文中，作者同时使用低秩核和稀疏核（low-rank and sparse kernel）来组成一个密集kernel。基于ICGV2的基础上，作者提出了ICGV3。 近几年，卷积网络在计算机视觉上的有效性已经得到了验证。目前卷积网络的发展主要有两个方向：一是朝着更深的方向发展，在网络各层之间增加skip connection，使得训练更深的网络成为可能；二是简化卷积网络的结构，消除...
mobilenet系列V1-V3
06-05
MobileNet系列是由Google团队开发的一系列轻量级卷积神经网络（CNN），旨在优化移动设备和嵌入式系统的性能。这个系列始于MobileNetV1，随后演化为MobileNetV2和MobileNetV3，每一代都在提高准确率和减少模型大小...
图像识别：基于mobilenet轻量级神经网络识别
最新发布
03-20
《图像识别：基于Mobilenet轻量级神经网络的实现》 图像识别是计算机视觉领域的一个核心任务，它涉及到从图像中自动识别出物体、场景、文字等信息。随着深度学习技术的发展，尤其是神经网络的广泛应用，图像识别的...
deeplab源码集合 v1 v2 v3 v3+
01-24
v3+版本中，作者引入了一个轻量级的解码器模块来恢复细节信息。GitHub上的代码链接为：[https://github.com/bonlime/keras-deeplab-v3-plus.git](https://github.com/bonlime/keras-deeplab-v3-plus.git)。 **关键...
MobileNet 网络对CIFAR10数据集应用
03-31
综上所述，MobileNet系列网络对CIFAR-10数据集的应用展示了轻量级模型在处理复杂图像识别任务上的潜力，同时也为有限计算资源下的模型优化提供了参考。通过不同版本的MobileNet，我们可以研究和比较网络结构、计算...
IGCV3-pytorch:pytorch重新实现IGCV3
05-11
MobileNet-V2和IGCV3 IGCV3引入了Google MobileNet-V2和IGCV3的实现。 链接到原始文章：，IGCV3：高效深层神经网络的交错低秩群卷积。 孙可，李明杰，刘东和王京东。 arXiv预印本 （2017） 该实现方式是常见的深度学习软件体系结构的示例。 它很简单，并且设计成非常模块化的。 添加了培训和可视化所需的所有组件。 仅在Cifar10和Cifar100上测试过！！！！ 用法 该项目使用Python 3和PyTorch 0.3.1 主要依赖 pytorch 0.3.1 numpy tqdm easydict matplotlib tensorboardX 安装依赖项： pip install -r requirements.txt 训练与测试 准备数据，然后创建一个数据加载器类，例如cifar10data.py和cifar100data
复杂背景下交错低秩组卷积混合深度网络的路面裂缝检测算法研究
01-26
由于混凝土路面光照强度不均匀、背景复杂、噪声干扰大,传统的裂缝检测算法难以准确提取其裂缝特征。为了在提高裂缝检测准确性的同时减少计算冗余,提出了一种将低秩核和组卷积结合的交错低秩组卷积混合深度网络的路面裂缝检测算法。首先利用重叠滑动窗口裁剪方法建立裂缝图像数据集,在训练集上生成一个具有较好鲁棒性的分类器,对裂缝及非裂缝图像进行分类,然后采用自适应阈值法得到边缘轮廓清晰的裂缝二值化图像,最后采用中轴线法求取裂缝最大宽度。在测试集上验证模型的性能,实验结果表明测试精度为0.9726,效果优于经典的裂缝检测算法,而且相对于卷积神经网络及其变体大幅减少了模型参数,处理图像的速度达到了每秒14张,并且在三个公开数据集上都达到了较好的检测效果。在2.5 mm以上的裂缝宽度上,计算相对误差小于0.02,较好地达到了工程实际要求。
68.【必看】Yolo v1 v2 v31
08-03
YOLO v3 甚至提供了更轻量级的 Tiny YOLO 版本，以实现更快的检测速度。总的来说，YOLO 的设计理念和不断的技术迭代，使其成为目标检测领域的重要里程碑，广泛应用于自动驾驶、视频监控等实时场景。
IGCV2(Interleaved Structured Sparse Convolutional Neural Networks)论文解读
h__ang的博客
04-03 1275
Abstract 在本篇论文中，我们继续研究如何设计高效卷积神经网络结构来消除卷积核的冗余。目前来说，消除卷积核中的冗余有以下几种方法： 减少卷积操作； 低精度卷积核，即做一些量化，从浮点到定点转化； 低秩卷积核，即减少卷积核的个数或者通道数； 低秩卷积核的组合，，担心单纯的减少卷积核的个数或者通道数会对性能造成影响，所以采用多个低秩卷积核组合在一起达到原来的密集卷积核的作用； 稀疏卷积核，分为...
计算机视觉顶级期刊
严47的博客
07-23 5916
1、(IJCV)International Journal of Computer Vision （计算机视觉国际期刊） 简介：1988年创刊，系计算机视觉期刊中顶级期刊，做CV领域的必读期刊，与PAMI相比应用性差一点点，偏重于算法理论。 2014影响因子：3.8 官网：http://www.springer.com/computer/image+process
基于交错组卷积的高效深度神经网络
06-01
本课程将会讲解发表在计算机视觉顶级会议上的ICCV 2017和CVPR2018交错组卷积的方法，优于ResNets和谷歌的Mobilenets。交错组卷积包括几个互相互补的组卷积，可以解释为结构化的稀疏矩阵的乘积。在相同参数量相同计算量的条件下，会得到比标准卷积和Mobilenet更宽的网络，所以结果会更好。
IGCV1(Interleaved Group Convolutions for Deep Neural Networks)论文解读
h__ang的博客
03-24 1688
原文链接：https://arxiv.org/abs/1707.02725 作者视频讲解链接：https://edu.csdn.net/course/play/8320/171433?s=1 Abstract 在本篇论文中，我们提出了一种简单的模块化网络结构，将其称为交错组卷积神经网络(IGCNets)。它的重点在于一个新颖的构建块：是由一对连续且相互交错的组卷积组成。这两个组卷积是互补的： 在...
shuffleNet v2
小菜鸟的AI之路
08-17 7320
论文名称：ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design 论文地址：https://arxiv.org/abs/1807.11164 目前，CNN网络在图像识别领域大放异彩，从最初的AlexNet到后面的GoogLeNet,ResNet,识别精度越来越高，但是除了精度之外，模型的计算复杂度也越来...
目标检测系列：R-FCN、Mask RCNN、Cascade RCNN
qq_39382877的博客
07-31 6513
R-FCN Mask RCNN Cascade RCNN R-FCN 动机 Faster RCNN中加入了RPN，但网络中仍然可以分为两部分，一部分是RPN与检测网络部分共享特征的卷积层，还有一部分就是RPN迷你网络以及检测网络部分分别连接分类和回归分支的全连接层，这些隐藏层是不共享参数的，而且全连接层的参数量非常大，因此会影响计算量，造成检测速度不够快。 卷积网络部分之前的AlexNe...
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
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