精度超越现有SOTA，百度视觉团队基于飞桨推出工业级骨干网络「HS-ResNet」

点击左上方蓝字关注我们

图像分类、目标检测、图像分割等各类视觉技术都离不开骨干网络（backbone），一个强有力的骨干网络可以为模型带来更高的效率及精度，所以它的设计一直都是业界研究者关注的重点方向。

当下，现有的骨干网络其实已经非常丰富和成熟。比如近几年工业界的『网红』骨干网络—— ResNet，它做到了速度与精度的完美平衡，且由于较高的鲁棒性，在各类数据集上都有较好的效果，成为了社区中为数不多「久经考验的模型」。

这些年，很多研究者也基于ResNet进行了诸多改进，如ResNeXt、ResNet-D，Res2Net等。但是由于在速度与精度的平衡方面表现欠佳：为了追求更高的精度，而牺牲了速度，因此没有在工业领域广泛落地应用。

例如今年年中推出的ResNeSt，当属ResNet的最强改进版，在精度上取得了SOTA（state-of-the-art）的效果，但是速度上依旧受人诟病，所以没能成为工业落地的标配。

而原始的ResNet系列模型依然是工业界的首选。因此，如何设计一个精度高且速度快的骨干网络，一直是工业界和学术界研究的热点。

百度视觉研发团队基于飞桨深度学习平台推出的HS-ResNet，就是这样一个很好地平衡了精度和速度的优秀骨干网络。其以尽量不增加模型计算量和推理开销为前提，将原先的ResNet模型的top-1精度（ImageNet val数据集）从76.5%提升了近5