Pyramidal Convolution Rethinking Convolutional Neural Networks for Visual Recognition

最新推荐文章于 2023-02-09 22:08:52 发布
最新推荐文章于 2023-02-09 22:08:52 发布
阅读量688 收藏 5
点赞数
分类专栏： 多尺度
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/soarflight_ing/article/details/114538449
版权

Pyramidal Convolution: Rethinking Convolutional Neural Networks for Visual Recognition

Pyramidal Convolution:Rethinking Convolutional Neural Networks for Visual Recognition,cvpr,2020.

链接：paper

代码：github

这篇论文不同于其他论文的关键点在于：卷积核的多尺度。同时为了尽可能的降低整体的计算复杂度，在每个group内在进行一次分组卷积，确保金字塔卷积的计算量与标准卷积的计算量相当。

Abstract

该文提出一种金字塔卷积(Pyramidal Convolution, PyConv)，它可以用多个滤波器尺度对输入进行处理。PyConv包含一个核金字塔，每一层包含不同类型的滤波器(滤波器的大小与深度可变，因此可以提取不同尺度的细节信息)。除了上述提到的可以提取多尺度信息外，相比标准卷积，PyConv实现高效，即不会提升额外的计算量与参数量。更进一步，它更为灵活并具有可扩展性，为不同的应用提升了更大的架构设计空间。

PyConv几乎可以对每个CV任务都有正面影响，作者基于PyC

最低0.47元/天 解锁文章
soaring flight
关注
专栏目录
深度学习论文: Pyramidal Convolution: Rethinking CNN for Visual Recognition及其PyTorch实现
mingo_敏
07-01 2371
深度学习论文: Pyramidal Convolution: Rethinking Convolutional Neural Networks for Visual Recognition及其PyTorch实现 Pyramidal Convolution: Rethinking Convolutional Neural Networks for Visual Recognition PDF:https://arxiv.org/pdf/2006.11538.pdf PyTorch: https://githu
金字塔卷积: 视觉识别的卷积神经网络的重新思考（Pyramidal Convolution: Rethinking Convolutional Neural Networks for Visual ）
qq_40107571的博客
11-02 1881
金字塔卷积: 视觉识别的卷积神经网络的重新思考
Pyramidal Convolution: Rethinking Convolutional Neural Networks for Visual Recognition论文阅读翻译
深度检测的博客
09-02 916
Pyramidal Convolution: Rethinking Convolutional Neural Networks for Visual Recognition论文阅读翻译 目录：Pyramidal Convolution: Rethinking Convolutional Neural Networks for Visual Recognition论文阅读翻译一、Abstract二、Introductioncontributions:三、Pyramidal Convolution四、PyCon
Pyramidal Convolution: Rethinking Convolutional Neural Networks for Visual Recognition阅读笔记
Malidong的博客
06-30 674
arXiv 2020 Ionut Cosmin Duta, Li Liu, Fan Zhu, Ling Shao 论文地址 一、简介 本文提出了一种金字塔卷积算法（PyConv），它能够在多个滤波器尺度上处理输入信号。PyConv包含一个内核金字塔，其中每个级别都包含大小和深度不同的不同类型的滤波器，这些滤波器捕捉场景中不同级别的细节，能够改善模型的识别能力。PyConv是高效的，并不会增加计算成本和参数。此外，它还具有很强的灵活性和可扩展性。 同一场景中有大量的类别，有些类别具有很大的空间表示，有些类别具
【论文阅读】Pyramidal Convolution:Rethinking Convolutional Neural Networks for Visual Recognition
整理输出各类知识
09-03 1631
概述 本文提出了金字塔卷积（PyConv），能够在多尺度的卷积核上处理输入的图像。PyConv包含一个卷积核金字塔，每一层级是大小和深度都不同的卷积核，从而可以捕获场景中不同级别的细节，另外PyConv不会增加计算成本和参数，是十分高效的，而且PyConv十分灵活，具有可扩展性。Motivation 在现实中，有些类别的物体有着非常打的空间尺寸，而有些物体通常是很细小的。即使是同一类别的物体，在尺寸上也可能会有很大的差异。要捕捉到不同种类的物体以及它们在尺寸上的差异性，只采用单一类别的卷积核显然不足以解决如
【神经网络架构】Pyramid Convolution（金字塔卷积模块）论文笔记
weixin_47716911的博客
09-22 2979
文章来源 |极链AI云（性价比最高的共享算力平台，助力你的技术成长～首次注册可获免费100小时GPU使用时长！官网地址：https://cloud.videojj.com/） 作者 | 小仇【极链AI云技术原创奖励计划】 原文地址 |【神经网络架构】Pyramid Convolution（金字塔卷积模块）论文笔记（官网论坛） 今年论文提出很多是，在一般backbone上通过添加小模块用于提升分类分割目标检测等任务的精度。下面介绍DeepMind提出的Pyramidal Convolution...
【论文阅读笔记】NeurIPS2020文章列表Part1
热门推荐
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
恒源云(GPUSHARE)_【ECCV 2020】MobileNeXT 论文学习笔记
weixin_53977063的博客
04-22 1223
文章来源 | 恒源云社区（专注人工智能/深度学习云GPU服务器加速平台，官方免费体验网址：https://gpushare.com/） 原文地址 |【ECCV 2020】MobileNeXT 论文学习笔记（学霸季奖励计划） 在本文中，我们将深入探讨在ECCV 2020上发布的对最近流行的MobileNet体系结构（即MobileNeXt）进行的改造。 尽管深度神经网络的许多最新进展都倾向于优先考虑性能而不是复杂性，但社区中仍然存在着使深度神经网络更便宜，更高效地用于较小设备的火花。高效神经网络的研究.
（九：2020.08.27）CVPR 2019 追踪之论文纲要（译）
Jojo论文基地
08-28 8886
CVPR 2019 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这900篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录 论文 概要
Pyramidal Convolution
weixin_37958272的博客
08-25 981
Pyramidal Convolution: Rethinking Convolutional Neural Networks for Visual Recognition 本工作介绍了金字塔卷积（PyConv），它能够在多个滤波器尺度上处理输入。PyConv包含了一个金字塔的内核，其中每一级都涉及到不同类型的滤波器，它们的大小和深度各不相同，能够捕捉场景中不同层次的细节。在这些改进的识别能力之上，PyConv也是高效的，与标准卷积相比，通过我们的公式，它不会增加计算成本和参数。此外，它还非常灵活和可扩展，
Pyramid Convolution(PyConv)
fanqiliang630的博客
11-12 4581
参考论文：《Pyramidal Convolution: Rethinking Convolutional Neural Networks for Visual Recognition》 论文链接： http://arxiv.org/abs/2006.11538 1. 金字塔卷积形式： 核心是使用多个大小不同的卷积对input feature maps进行卷积操作 标准的卷积操作中，每个卷积核的通道和input feature的通道一致。 PyConv中，随着卷积核size增大，通道大小减少，此时需
金字塔卷积 Pyramidal Convolution
最新发布
zy的博客
02-09 1312
金字塔卷积 pyramid convolution
Backbone - Involution: Inverting the Inherence of Convolution for Visual Recognition
清欢
03-12 891
文章目录0. 前言1. 要解决什么问题2. 用了什么方法3. 效果如何4. 还存在什么问题&可借鉴之处 0. 前言 相关资料： arxiv github 论文解读 论文基本信息 领域：卷积基本结构 作者单位：港科技&字节 发表时间：CVPR 2021 Oral 一句话总结：设计了一种“内卷”的卷积结构替代普通卷积，卷积核是通过特征图算出来的 1. 要解决什么问题 卷积操作有两个固有特点 spatial-agnostic：同一个卷积核到图像的哪个位置都能用，换句话说，所有位
论文阅读：CVPR2021 | Involution: Inverting the Inherence of Convolution for Visual Recognition
qq_17614495的博客
04-07 2102
文章目录前言一、Introduction二、Involution三、self-attention的相关性四、Rednet网络搭建总结 前言 卷积已经成为现代神经网络的核心组成部分，引发了视觉深度学习的浪潮。在这项工作重新思考了视觉任务的标准卷积的内在原理，特别是空间不变性和通道特异性。相反，作者提出了一种新的用于深度神经网络的原子操作，通过颠倒前面提到的卷积设计原则，称为内卷。此外，我们还揭开了最近流行的自我注意运算符的神秘面纱，并将其归入我们的内卷家族，作为一个过于复杂的实例化。本文提出的内卷算子可以.
CVPR 2021 Involution: Inverting the Inherence of Convolution for Visual Recognition
smile909的博客
03-26 2926
动机 卷积操作具有两个显著特性，即spatial-agnostic和channel-specific。 spatial-agnostic：图像所有位置都使用同一个卷积核，实现了平移不变性。但它剥夺了卷积核在不同空间位置采用不同视觉模式的能力，从而限制了卷积核提取特征的的能力。此外，它还限制了卷积的感受野，对识别小目标或者模糊图像构成了挑战。 channel-specific：每个channel都提取不同类型的特征，产生了数据冗余。这使得卷积核对于不同通道的灵活性受到限制。 方法 提出了Invo
卷积操作改进之Involution: Inverting the Inherence of Convolution for Visual Recognition
画心
04-04 2461
Involution: Inverting the Inherence of Convolution for Visual Recognition 原始文档：https://www.yuque.com/lart/papers/frxyq3#FVXRR 文章目录Involution: Inverting the Inherence of Convolution for Visual Recognition前言具体实现文章动机传统卷积Involution的提出Involution与传统卷积RedNet相关内
Involution: Inverting the Inherence of Convolution for Visual Recognition（CVPR2021）
邹小驴
07-20 1107
首先是对输入进行reshape（采用的是nn.unfold方法---该方法在卷积实现实现中的作用就是在卷积核操作前，先将输入按照卷积核的尺寸大小拉直排列）上图中的红色框图中的第二个图片形式。1.首先卷积核的获得是通过对输入图谱简单的MLP线性转换得到G个大小尺寸K*K（G就是几组不同的卷积核，那么就有C/G个通道是共享同一个卷积核）2.对于重新编写卷积算子的方法采用的是caffe里面的卷积实现思想。①空间上的每一像素点是不一样的卷积核。②每一个通道是不一样的卷积核。②几个通道是共享同一个卷积核。......
[深度学习从入门到女装]FastFCN: Rethinking Dilated Convolution in the Backbone for Semantic Segmentation
炼丹师
03-30 1221
论文地址：FastFCN: Rethinking Dilated Convolution in the Backbone for Semantic Segmentation 这是一篇对于FCN进行改进从而进行语义分割的论文 上图展示了目前的几种分割方法，DilatedFCN就是在原本FCN的基础上，去掉了最后两层的pooling，改为使用dila conv来保持图像尺寸不变，和原来一...
Scale-Equalizing Pyramid Convolution for Object Detection 论文笔记
qq_30146937的博客
05-28 1558
前言 特征金字塔是解决多尺度目标检测的有效方式，但是在特征金字塔中，不同层级的特征中所包含的语义信息相差很大，这可能会无法得到最优的检测结果。为了解决这个问题，人们提出了很多不同的特征融合策略，目的是使不同层级的特征图的表示能力保持一致。但是这些方法基本上都是直接将分辨率相同的特征进行相加，没有很好地考虑特征金字塔的内在属性。本文认为，在尺度维度上进行卷积比直接将特征图相加要自然的多。比如在特征金字塔中，尺度相邻的特征图之间应该具有很强的关联性，但目前的特征融合方法并没有考虑这种关联性。基于此，本文提出PC
convolution backbone network——Deep Pyramidal Residual Networks
怡宝2号
05-13 1202
深度特征金字塔残差网络 paper: github: 单位： 韩国科学技术院；在2018QS世界大学排名中位列世界40位 [2] ；在2014年的QS亚洲排名中位列第2位 [3] ，比清华，北大还牛。 摘要： 近年来，深度卷积神经网络（DCNN）在图像分类任务中表现出了显着的性能。通常，深度神经网络结构是由大量的卷积层组成的堆栈，并且它们通过池化沿着空间维度执行下采样以减少存储器的使用时间。同...
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