2021-3-11论文学习:ACNet及其若干魔改模块论文

【论文阅读】2021-(Pidinet)Pixel Difference Networks for Efficient Edge Detection 文章目录摘要1. Introduction 摘要 motivations: 基于CNN的边缘检测的高性能是通过一个大的预训练CNN主干来实现的,该主干占用大量内存和能量。传统边缘检测器(如Canny、Sobel和LBP)很少被研究。 contributions: 提出了一种简单、轻量级但有效的架构,称为像素差分网络(PiDiNet),用于有效的边缘检测。PiDiNet采用了新颖的像素差卷积,将传统的边缘检测算子集成到现代CNN中流行的卷积运算中,以增强任务性能。 experiments: 在BSDS500 阅读详情

ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks

论文地址:https://arxiv.org/pdf/1908.03930.pdf
论文收录于2019 IEEE/CVF International Conference on Computer Vision (ICCV)
代码地址:https://github.com/ShawnDing1994/ACNet

As designing appropriate Convolutional Neural Network(CNN) architecture in the context of a given application usually involves heavy human works or numerous GPU hours, the research community is soliciting the architecture-neutral CNN structures, which can be easily plugged into multiple mature architectures to improve the performance on our real-world applications. We propose Asymmetric Convolution Block (ACB), an architecture-neutral structure as a CNN building block, which uses 1D asymmetric convolutions to strengthen the square convolution kernels.For an off-the-shelf architecture, we replace the standard square-kernel convolutional layers with ACBs to construct an Asymmetric Convolutional Network (ACNet), which can be trained to reach a higher level of accuracy. After training, we equivalently convert the ACNet into the same original architecture,thus requiring no extra computations anymore. We have observed that ACNet can improve the performance of various models on CIFAR and ImageNet by a clear margin. Through further experiments, we attribute the effectiveness of ACB to its capability of enhancing the model’s robustness to rotational distortions and strengthening the central skeleton parts of square convolution kernels.
在这里插入图片描述

contributions
  • 我们建议使用非对称卷积来显式地增强标准方核层的表示能力,非对称卷积可以融合到方核不需要额外的推理时间计算,而不是近似方核层像许多之前的工作[4,17,18,23,25,33]。
  • 我们提出了ACB作为一种新的建筑中立的CNN构建块。我们可以通过简单地用ACB替换成熟架构中的每个平方核卷积层来构建一个ACN集,而不引入任何超参数,这样其有效性就可以与CNN架构设计文献中的许多进步相结合。
  • 我们在CIFAR-10、CIFAR-100和图像网上的几个常见基准模型提高了明显的精度。
  • 我们已经证明了骨架在标准方方形卷积核中的重要性,并证明了ACNE在增强这些骨架方面的有效性
  • 我们已经证明了ACN特可以增强模型对旋转变形的鲁棒性,这可能会激发对旋转不变性问题的进一步研究。

在这里插入图片描述
在model中加入Horizontal和vertical卷积核之后,对于旋转后的样本,能增强对旋转不变性的分类
在这里插入图片描述

推荐知乎:https://zhuanlan.zhihu.com/p/131282789

评价

是一个即插即用的小模块,对于浅层网络的提升效果比较好,对于深层网络提升效果不好

Automatic Modulation Recognition for Radar Signals via Multi-Branch ACSE Networks

论文地址:https://sci-hub.se/10.1109/ACCESS.2020.2995203
论文收录于 IEEE ACCESS 2020

这不是我研究方向的论文,但是它引用了ACNet,我就想看看这里面到底是怎么在做文章。

总结来说文章提出了the multi-branch ACSE networks,网络结构如下:
在这里插入图片描述
在这里插入图片描述
不得不说这就是抄袭了,设计的网络就是把别人的ACnet和SE block合在了一起引入到了雷达信号领域,唯一的不同就是多分支,multi-branch。

只能说借鉴意义不大了。

  • X. Ding, Y. Guo, G. Ding, and J. Han, ‘‘ACNet: Strengthening the kernel
    skeletons for powerful CNN via asymmetric convolution blocks,’’ in Proc.
    IEEE/CVF Int. Conf. Comput. Vis. (ICCV), Oct. 2019, pp. 1911–1920.

  • Jie Hu, Li Shen, and Gang Sun. Squeeze-and-excitation networks. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 7132–7141, 2018.

ACSE Networks and Autocorrelation Features for PRI Modulation Recognition

论文地址:
IEEE COMMUNICATIONS LETTERS, VOL. 24, NO. 8, AUGUST 2020

提出了ACSE Networks,和上一篇文章一拨人搞得,真不知道有啥创新点
在这里插入图片描述

MMDM: Multi-frame and Multi-scale for Image Demoir´eing

论文地址:
2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW)

提出了一个 enhanced AC Block用于图像去噪。

相对于AC block多了两个个斜着的1*3卷积。

M2-Net: A Multi-scale Multi-level Feature Enhanced Network for Object Detection in Optical Remote Sensing Images

IEEE xplore上面居然只能看网页版没有pdf,就先不看了

计算机视觉相关会议、期刊简介 计算机视觉三大顶级会议 ICCV ICCV 的全称是 IEEE International Conference on Computer Vision,即国际计算机视觉大会,由IEEE主办,与计算机视觉模式识别会议(CVPR)和欧洲计算机视觉会议(ECCV)并称计算机视觉方向的三大顶级会议,被澳大利亚ICT学术会议排名和中国计算机学会等机构评为最高级别学术会议,在业内具有极高的评价。不同于在美国每年召开一次的CVPR和只在欧洲召开的ECCV,ICCV在世界范围内每两年召开一次。ICCV论文录用率非常低,是三 阅读详情

相关推荐

YOLOv8改进 | 有效涨点 | 使用ICCV2019 ACNet中的轻量化模块ACBlock改进Conv模块

为有效提升 YOLOv8 的检测精度,同时不增加额外的计算参数和推理时间,本文借鉴为了实现高精度同时又不引入额外的推理开销,ACBlock模块训练时通过1D非对称卷积来增强方形卷积能力,推理时进行卷积融合以此解决上述问题。具体来说,ACBlock模块训练时分别借助方形卷积、横向1D非对称卷积和纵向1D非对称卷积来学习图像特征,推理时先分别求得各卷积层和其BN层的融合结果,后将融合结果转换为一个标准卷积层,从而无需引入额外的推理开销。ACNet通过实验验证了所提ACBlock模块的有效性,

🅽🅸🅲🅺🅴🆁🅽🅴🅻 ⓃⒾⒸⓀⒺⓇⓃⒺⓁ 917

这所985高校首次在计算机视觉领域顶级会议ICCV上发表论文!

点击下方卡片,关注“CVer”公众号AI/CV重磅干货,第一时间送达点击进入—>【计算机视觉和Transformer】交流群转载自:西北农林科技大学来源: 信息学院 作者: 倪玲 丁小霞西北农林科技大学(Northwest A&F University),简称西农或西北农大,坐落于陕西杨凌示范区,是中华人民共和国教育部直属的全国重点大学,中央直管副部级建制高校,国家“双一流”建设高...

阿木寺的博客 787

提供一个微信投票刷票的js代码

最近几天,有个朋友找我去写一个脚本帮他 在微信上刷票、微信投票刷票,我大概看了一下,本次微信投票刷票其实就是根据微信的openid来限制,每个openid只能投三次票的限制。上图可以看出,其实只要openid,和toopenid即可,openid是自己的微信id,toopenid是投票对象的微信id,那我们定时修改openid即可给某一个人刷投票。把这段代码复制到浏览器F12之后的console里,直接回车即可开始微信投票刷票(刷新或关闭浏览器即可停止刷票)//生成随机的ip地址。

qq_858865388专业提供快速微信投票教程攻略和方法的博客 2万+

【即插即用】Squeeze-and-Excitation Networks——2018CVPR

Hu, Jie, Li Shen, and Gang Sun. “Squeeze-and-excitation networks.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2018.

cainiaomyf的博客 1632

Open FPV VTX与Betaflight的MSP协议配置详解:从硬件连接到OSD显示

本文详细解析了如何通过MSP协议将Open FPV VTX与Betaflight飞控进行深度集成,实现飞行数据在OSD上的稳定显示。内容涵盖从硬件连接、Betaflight端口MSP服务启用,到VTX侧配置与OSD元素布局调校的全流程,并提供了常见问题的排查思路,帮助FPV玩家构建可靠的数据叠加系统。

weixin_29201933的博客 457

自动驾驶仿真(五)—— 基于Carsim、Prescan、Simulink的联合仿真

自动驾驶仿真五——基于Carsim、Prescan、Simulink的联合仿真1. 联合仿真流程2. CarSim联合仿真配置要点3. Prescan联合仿真配置要点4. Carsim、Prescan、Simulink联合仿真结果5. 参考学习的书目教材 博主前面的博文已经介绍了Carsim和Prescan各自与Matlab/Simulink的相关联合仿真应用实例,并且论述过几款软件各自的优势及用法,CarSim适合动力学模型的建立,PreScan适合行车场景的搭建,Simulink适合控制算法的设计及信号

zhudj08的博客 1万+

【SENet】《Squeeze-and-Excitation Networks》

CVPR-2018 caffe 代码:https://github.com/hujie-frank/SENet caffe 代码可视化工具:http://ethereon.github.io/netscope/#/editor 文章目录1 Background and Motivation2 Advantages3 Related work4 Method4.1 Squeeze: Glob...

bryant_meng 2306

射频功率放大器设计实战:从理论到Layout的全流程解析

本文以一款40W、960MHz LDMOS功率放大器为例,系统解析了从理论分析、仿真设计到版图实现的射频功率放大器设计全流程。内容涵盖AB类放大器选型、核心指标定义、稳定性分析、Load-Pull/源牵引仿真、史密斯圆图匹配、偏置网络设计,以及最终的谐波平衡仿真与版图电磁验证,为工程师提供了一套从理论到实践的完整设计方法论。

weixin_29266007的博客 254

《ACNet》

读这篇文章的目的就是单纯冲着网络模型的,看在去噪任务上是否可以达到很好的结果。ACNet:通过非对称卷积块增强强大的CNN的内核骨架 一、论文 《ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks》 摘要:由于在给定应用程序的背景下设计适当的卷积神经网络(CNN)架构通常会涉及大量的人工工作或大量的GPU时间,因此研究团体正在征求架构中立的CNN结构,可以轻松地将其插入

69小石头的博客 1741

【时时三省】tessy 进入调试模式 教程

山不在高,有仙则名。水不在深,有龙则灵。----优快云 时时三省。

时时三省的博客 771

【算能】TPU(张量处理单元)的深度解析

算能(SOPHGO)作为国产AI芯片领域的核心企业,其TPU(张量处理单元)以高能效比与全场景覆盖能力为核心竞争力,专注于边缘计算与行业垂直领域的AI推理加速。

浩瀚之水的专栏 1550

ACNet

论文:ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks

xiaochengJF的博客 6097

基于毫米波生物感知雷达+STM32设计的独居老人居家监护系统(微信小程序)(192)

当前基于STM32设计的独居老人居家监护系统为独居老人提供一种简便、实时的健康监护服务。该系统通过集成多种传感器和功能模块,能够实时监测老人的生理指标、姿态以及室内环境状况,并通过微信小程序远程显示数据,当出现异常情况时及时发出报警提醒。

1万+

结构重参数化之一:ACNet

论文ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks 代码GitHub - DingXiaoH/ACNet: ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks 前言 本文提出了一种architecture-neut...

00000cj的博客 5411

OceanBase备租户创建(二):通过BACKUP DATABASE PLUS ARCHIVELOG

OceanBase数据库备租户创建方法二:通过BACKUP DATABASE PLUS ARCHIVELOG功能实现,特别适用于社区版和单机版部署模式。

Sebastien23的博客 549

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

ACNet:用于图像超分的非对称卷积(附实现code)

编辑:Happy 首发:AIWalker Paper:https://arxiv.org/abs/2103.13634 Code:https://github.com/hellloxiaotian/ACNet 本文是哈工大左旺孟老师团队在图像超分方面的最新工作,已被IEEE TSMC收录。本文将ACNet中的非对称卷积思想与LESRCNN进行组合,取得了更好的性能。由于作者尚未开源,故笔者进行了简单的复现,复现还是挺容易的,哈哈。 Abstract 本文提出了一种非对称CNN网络ACNet,它由非.

聚焦底层视觉处理,对相关基础AI技术持续学习 3285

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

【ICCV-2019】ACNet:通过非对称卷积块增强CNN的核骨架 3*3卷积==>1*3卷积+3*1卷积=白给的精度提升

论文:https://arxiv.org/pdf/1908.03930v1.pdf 代码:https://github.com/ShawnDing1994/ACN 通过非对称卷积块增强CNN的核骨架摘要1.研究背景2. 相关工作2.1 非对称卷积2.2 CNN架构中的中性结构3. 方法3.1 公式3.2 利用卷积的可加性 下面要介绍的论文发于ICCV2019,题为「ACNet:Strengthening the Kernel Skeletons for Powerful CNN via Asymmetri.

紫芝的博客 7875

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

ACNet代码解读

Paper:https://arxiv.org/abs/1908.03930v1%E3%80%82 Code:https://github.com/ShawnDing1994/ACN 前言:本人第一次解读代码,才疏学浅,如有纰漏,望不吝赐教! # 代码块 1 # 作者源码非常详实,在此采用ResNet56为backbone解读 python acnet/acnet_rc56.py --tr...

qq_36167072的博客 3097

网络参数重组论文二(ACNet,RepMLP)

本系列文章介绍一种最近比较火的设计网络的思想,即利用网络的重参数化(意义在于训练时间模型有一组参数,而推理时间模型有另一组参数),把多层合成一层,进行网络加速。 1. RepMLP: Re-parameterizing Convolutions into Fully-connected Layers for Image Recognition 一个能够较好完成图像识别的网络需要具有如下三个特征: 局部先验:卷积神经网络之所以能够成功识别图像,是因为图像的局部性(即一个像素与其相邻像素的关系比遥远像素的关

蓝鲸鱼的博客 906

ACNet(无痛涨点)

ACNet(无痛涨点) 论文链接 1. 前言 不知道你是否发现了,CNN的结构创新在这两年已经变得相对很少了,同时要做出有影响力并且Solid的工作也变得越来越难,最近CNN结构方面的创新主要包含两个方面: 1、网络结构搜索,以Google Brain的EfficientNet为代表作。 2、获取更好的特征表达,主要是将特征复用,特征细化做得更加极致,以HRNet,Res2Net等为代表作。 本文要介绍的是ICCV 2019的一个新CNN架构ACNet(全称为Asymmetric Convolution N

justsolow的博客 4851

『论文笔记』ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks!

ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks! 文章目录一. 摘要二. 研究背景 本文文章来自ICCV2019: 通过非对称卷积块增强CNN的核骨架。论文地址:https://arxiv.org/abs/1908.03930v1 代码开源在:https:/...

AI新视界 3698

卷积涨点论文 | Asymmetric Conv ACNet | ICCV | 2019

文章原创来自作者的微信公众号:【机器学习炼丹术】。交流群氛围超好,我希望可以建议一个:当一个人遇到问题的时候,有这样一个平台可以快速讨论并解答,目前已经1群已经满员啦,2群欢迎你的到来哦。加入群唯一的要求就是,你对AI有兴趣。加我的微信我邀请进群cyx645016617。 论文名称:“ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks” 论文链接:https://arxiv

忽逢桃林的博客 1315

论文阅读——ACNet:Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks

ACNet:Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks ACNet:通过非对称卷积模块增强CNN的卷积核骨架 
from ICCV2019
 
paper 
code Abstract 为特定的应用设计合适的CNN架构本身涉及到繁重的手动工作或者需要高昂的GPU训练时间,业界也正在寻求一些CNN结构可以方便的集成到其他成熟架构中,进一步提升应用到实际任务中的性能。 
本文提出了非对

qq_37151108的博客 4178

ACNet安装与配置完全指南

ACNet(Asymmetric Convolution Network)是Ding XiaoH等人在ICCV 2019上提出的一个深度学习项目,旨在通过引入不对称卷积块(Asymmetric Convolution Blocks, ACB),强化卷积神经网络的核心骨架,从而提升模型性能,尤其在处理图像分类任务时表现突出。该项目基于Python语言,并利用了PyTorch深度学习框架进行实现。 ...

gitblog_01263的博客 686

ACNet论文阅读笔记

  论文地址:ACNet   论文代码:github 1 研究思路   尝试提出一个和架构无关的新型CNN结构来提升CNN的性能。稳重提取了非对称卷积块(ACB),使用三个并行的d×d,1×d,d×1d\times d,1\times d, d\times 1d×d,1×d,d×1代替原始的d×dd\times dd×d卷积核进行特征提取。 2 结构 2.1 非对称卷积   非对称卷积基本上是相对对称卷积来说的,对称卷积一般为3×33\times 33×3,非对称卷积一般为1×31\times 31×3或者

梦的灰色边沿... 1304
上一篇: 计算机视觉中的注意力模块———CBAM
下一篇: 关于CBAM模块在ResNet18上的使用:用于MNIST数据集分类
practical_sharp
博客等级 码龄8年 500粉丝 148原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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