DeepLabv3+改进13:在主干网络中添加repvgg|

🔥【DeepLabv3+改进专栏！探索语义分割新高度】
🌟 你是否在为图像分割的精度与效率发愁？
📢 本专栏重磅推出：
✅ 独家改进策略：融合注意力机制、轻量化设计与多尺度优化
✅ 即插即用模块：ASPP+升级、解码器

PS:订阅专栏提供完整代码

论文简介

我们提出了一种简单却强大的卷积神经网络架构，其推理时间模型具有类似于 VGG 的结构，仅由一系列 3×3 卷积和 ReLU 组成，而训练时间模型则具有多分支拓扑结构。这种将训练时间架构与推理时间架构分离的做法是通过一种结构重新参数化技术实现的，从而使该模型得以命名 RepVGG。在 ImageNet 数据集上，RepVGG 达到了超过 80%的 top-1 准确率，这是迄今为止普通模型首次取得的成就，据我们所知。在 NVIDIA 1080Ti GPU 上，RepVGG 模型的运行速度比 ResNet-50 快 83%，比 ResNet-101 快 101%，并且在准确率和速度之间表现出良好的权衡