DeepLabv3+改进20:在主干网络中添加OREPA|在线卷积重参数化,能够将训练时的内存成本降低约 70%，并将训练速度提高约 2 倍

🔥【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

结构重参数化在各种计算机视觉任务中越来越受到关注。其目标是在不增加推理时间成本的情况下提高深度模型的性能。尽管在推理过程中效率很高，但此类模型严重依赖复杂的训练时模块来实现高精度，从而导致额外的训练成本较大。在本文中，我们提出了在线卷积重参数化（OREPA），这是一种两阶段的流程，旨在通过将复杂的训练时模块压缩为单个卷积来减少巨大的训练开销。为了实现这一目标，我们引入了一个线性缩放层，以更好地优化在线模块。借助降低的训练成本，我们还探索了一些更有效的重参数化组件。与最先进的重参数化模型相比，OREPA 能够将训练时的内存成本降低约 70%，并将训练速度提高约 2 倍。同时&