↑ 点击
蓝字
关注极市平台
作者丨红色石头
来源丨AI有道
极市导读
从R-CNN到YOLO v3再到M2Det,近年来的目标检测新模型层出不穷,性能也越来越好。本文介绍了它们的PyTorch实现,目前Github已开源,非常实用。>>就在明天,极市直播:极市直播丨张志鹏:Ocean/Ocean+: 实时目标跟踪分割算法,小代价,大增益|ECCV2020
大家还记得这张图吗? 纵观 2013 年到 2020 年的52个目标检测模型,从最早的 R-CNN、OverFeat 到后来的 SSD、YOLO v3 再到去年的 M2Det,新模型层出不穷,性能也越来越好。 之前介绍了一份非常不错的资源,聚焦于源码和论文,还有对于各种卷积神经网络模型的实现,Github地址如下: https://github.com/hoya012/deep_learning_object_detection 而本文将介绍一个新的Github资源——它们的 PyTorch 实现 ,非常有用! Github地址: https://github.com/shanglianlm0525/PyTorch-Networks 先来个介绍,该系列的卷积神经网络实现包含了 9 大主题,目录如下: 1. 典型网络 2. 轻量级网络 3. 目标检测网络 4. 语义分割网络 5. 实例分割网络 6. 人脸检测和识别网络 7. 人体姿态识别网络 8. 注意力机制网络 9. 人像分割网络 下面具体来看一下:1 典型网络(Classical network)
典型的卷积神经网络包括:AlexNet、VGG、ResNet、InceptionV1、InceptionV2、InceptionV3、InceptionV4、Inception-ResNet。 以 AlexNet 网络为例,AlexNet 是 2012 年 ImageNet 竞赛冠军获得者 Hinton 和他的学生 Alex Krizhevsky 设计的。AlexNet 中包含了几个比较新的技术点,也首次在 CNN 中成功应用了 ReLU、Dropout 和 LRN 等 Trick。同时 AlexNet 也使用了 GPU 进行运算加速。 AlexNet 网络结构的 PyTorch 实现方式如下:import torch
import torch.nn as nn
def Conv3x3BNReLU(in_channels,out_channels,stride,padding=1):
return nn.Sequential(
nn.Conv2d(in_channels=in_channels, out_channels=out_channels, kernel_size=3, stride=stride, padding=1),
nn.BatchNorm2d(out_channels),
nn.ReLU6(inplace=True)
)
def Conv1x1BNReLU(in_channels,out_channels):
return nn.Sequential(
nn.Conv2d(in_channels=in_channels, out_channels=out_channels, kernel_size=1, stride=1, padding=0),
nn.BatchNorm2d(out_channels),
nn.ReLU6(inplace=True)
)
def ConvBNReLU(in_channels,out_channels,kernel_size,stride,padding=1):
return nn.Sequential(
nn.Conv2d(in_channels=in_channels, out_channels=out_channels, kernel_size=kernel_size, stride=stride, padding=padding),
nn.BatchNorm2d(out_channels),
nn.ReLU6(inplace=True)
)
def ConvBN(in_channels,out_channels,kernel_size,stride,padding=1):
return nn.Sequential(
nn.Conv2d(in_channels=in_channels, out_channels=out_channels, kernel_size=kernel_size, stride=stride, padding=padding),
nn.BatchNorm2d(out_channels)
)
class ResidualBlock(nn.Module):
def __init__(self, in_channels, out_channels):
super(ResidualBlock, self).__init__()
mid_channels = out_channels//2
self.bottleneck = nn.Sequential(
ConvBNReLU(in_channels=in_channels, out_channels=mid_channels, kernel_size=1, stride=1),
ConvBNReLU(in_channels=mid_channels, out_channels=mid_channels, kernel_size=3, stride=1, padding=1),
ConvBNReLU(in_channels=mid_channels, out_channels=out_channels, kernel_size=1, stride=1),
)
self.shortcut = ConvBNReLU(in_channels=in_channels, out_channels=out_channels, kernel_size=1, stride=1)
def forward(self, x):
out = self.bottleneck(x)
return out+self.shortcut(x)
2 轻量级网络(Lightweight)
轻量级网络包括:GhostNet、MobileNets、MobileNetV2、MobileNetV3、ShuffleNet、ShuffleNet V2、SqueezeNet Xception MixNet GhostNet。 以 GhostNet 为例,同样精度,速度和计算量均少于此前 SOTA 算法。GhostNet 的核心是 Ghost 模块,与普通卷积神经网络相比,在不更改输出特征图大小的情况下,其所需的参数总数和计算复杂度均已降低,而且即插即用。 GhostNet 网络结构的 PyTorch 实现方式如下: https://github.com/shanglianlm0525/PyTorch- Networks/blob/master/Lightweight/GhostNet.py 3 目标检测网络(ObjectDetection) 目标检测网络包括:SSD、YOLO、YOLOv2、YOLOv3、FCOS、FPN、RetinaNet Objects as Points、FSAF、CenterNet FoveaBox。 以 YOLO 系列为例,YOLO(You Only Look Once)是一种基于深度神经网络的对象识别和定位算法,其最大的特点是运行速度很快,可以用于实时系统。目前 YOLOv3 应用比较多。 YOLOV3 网络结构的 PyTorch 实现方式如下: https://github.com/shanglianlm0525/PyTorch-Networks/blob/master/ObjectDetection/YOLOv3.py 4 语义分割网络(SemanticSegmentation) 语义分割网络包括:FCN、Fast-SCNN、LEDNet、LRNNet、FisheyeMODNet。 以 FCN 为例,FCN 诞生于 2014 的语义分割模型先驱,主要贡献为在语义分割问题中推广使用端对端卷积神经网络,使用反卷积进行上采样。FCN 模型非常简单,里面全部是由卷积构成的,所以被称为全卷积网络,同时由于全卷积的特殊形式,因此可以接受任意大小的输入。 FCN 网络结构的 PyTorch 实现方式如下: https://github.com/shanglianlm0525/PyTorch-Networks/blob/master/SemanticSegmentation/FCN.py 5 实例分割网络(InstanceSegmentation) 实例分割网络包括:PolarMask。 6 人脸检测和识别网络(commit VarGFaceNet) 人脸检测和识别网络包括:FaceBoxes、LFFD、VarGFaceNet。7 人体姿态识别网络(HumanPoseEstimation)
人体姿态识别网络包括:Stacked Hourglass、Networks Simple Baselines、LPN。8 注意力机制网络
注意力机制网络包括:SE Net、scSE、NL Net、GCNet、CBAM。9 人像分割网络(PortraitSegmentation)
人像分割网络包括:SINet。 综上,该 GitHub 开源项目展示了近些年来主流的 9 大类卷积神经网络,总共包含了几十种具体的网络结构。其中每个网络结构都有 PyTorch 实现方式。还是很不错的。 最后再放上 GitHub 开源地址: https://github.com/shanglianlm0525/PyTorch-Networks推荐阅读
- 通道注意力超强改进,轻量模块ECANet来了!即插即用,显著提高CNN性能|已开源
- 凭什么相信你,我的CNN模型?关于CNN模型可解释性的思考
- 深度学习准「研究僧」预习资料:图灵奖得主Yann LeCun《深度学习(Pytorch)》春季课程