轻量级网络：MixNet

最新推荐文章于 2025-05-23 09:48:44 发布
最新推荐文章于 2025-05-23 09:48:44 发布
阅读量1.8k 收藏 10
点赞数
CC 4.0 BY-SA版权
分类专栏： 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_39382877/article/details/98073054
MixNet是谷歌提出的一种轻量级网络结构，通过混合深度分离卷积（MDConv）实现高效且高精度的模型。MDConv结合不同大小的卷积核，解决了单一卷积核大小的局限性，通过架构搜索找到最优组合。实验表明，MixNet在ImageNet上的性能超越了MobileNetV2、ShuffleNetV2和MnasNet。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Index

论文：https://arxiv.org/abs/1907.09595
代码：https://github.com/tensorflow/tpu/tree/master/models/official/mnasnet/mixnet

摘要

谷歌新出的一篇关于轻量级网络的文章，主要工作的重点就在于探索不同大小的卷积核的集合，因为小的卷积核感受野小，参数少，但是准确率不高，大的卷积核感受野大，准确率相对略高但是参数也相对增加了很多，于是提出了一种新的混合深度分离卷积(MDConv)(<

最低0.47元/天 解锁文章

200万优质内容无限畅学
mixnet
jacke121的专栏
07-29 3559
网络代码： https://github.com/romulus0914/MixNet-Pytorch/blob/master/mixnet.py https://github.com/rwightman/pytorch-image-models/blob/d4debe6597556be36645df18650285cfad1f7ae9/timm/models/gen_effici...
轻量级网络论文：MixNet: Mixed Depthwise Convolutional Kernels其PyTorch实现
mingo_敏
10-02 1048
FCN: Fully Convolutional Networks for Semantic Segmentation (CVPR2015) https://arxiv.org/pdf/1411.4038.pdf PyTorch: https://github.com/ZijunDeng/pytorch-semantic-segmentation 第一篇将CNN引入image segmentat...
【读点论文】 MixNet: Toward Accurate Detection of Challenging Scene Text in the Wild获取高分辨率特征，基于中心线特征分离文本实例
最新发布
白水空空
05-23 948
MixNet 的核心算法逻辑围绕 “解决小文本检测难点” 展开，通过两大模块协同实现：通过跨尺度特征交换机制，将低分辨率的抗噪特征与高分辨率的细节特征融合，生成更鲁棒的高分辨率表示。具体而言，通过洗牌层将不同尺度的特征通道分割后重组，既保留了空间细节（高分辨率），又引入了深层语义信息（低分辨率），从而提升小文本的特征辨识度。利用文本的 1D 流形特性（即文本轮廓可近似为中心线的扩展），通过采样轮廓点和中心线点的特征，借助 Transformer 的自注意力机制捕捉全局几何关系。当相邻文本轮廓重叠时，中心线仍
MixNet(含pytorch代码解析及相关轻量级模型对比)
Enjoy_endless
03-27 2044
最近相关项目实践了MixNet网络，最终取得的效果不错，但是收敛的过程相对有些缓慢，具体原因还在分析当中，现将相关知识及代码解析如下。 如下主要包括3个部分，1是MixNet的原理知识解析(整理自网络)，2是自己对于相应核心代码解析，3相关轻量级模型比较。 1. MixNet 参考：https://www.cnblogs.com/dengshunge/p/11442805.html 其主要创新点是...
轻量级网络之MixNet
qq_41917697的博客
05-15 1069
轻量级网络之MixNet前言卷积核尺寸MixConv消融实验MixNet网络结构性能总结 欢迎交流，禁止转载！！ 前言 《MixConv: Mixed Depthwise Convolutional Kernels》 论文地址：https://arxiv.org/pdf/1907.09595.pdf 2019年谷歌使用AutoML，推出的新网络MixNet。 动机：深度可分离卷积在轻量级网络中越来越流行，但是都采用一样大小的深度可分离卷积核，卷积核的尺寸被忽略了。作者系统地研究了不同卷积核尺寸的影响，并且
LightNet：用于语义图像分割的轻量级网络（Cityscapes和Mapillary Vistas数据集）-Python开发
05-25
LightNet !!!新仓库。...⇒MixNet-Pytorch：具有预先训练的权重的MixNet的简洁，模块化，人性化的PyTorch实现该存储库包含以下代码（在PyTorch中）：“ LightNet：用于语义图像分割的轻量级网络”（联合国
YOLOv8主干网络轻量化探索：ShuffleNetV1的集成与性能提升【YOLOv8】
步入烟尘的博客
11-05 1254
ShuffleNetV1是由Facebook AI Research团队提出的轻量级神经网络。其核心思想是通过分组卷积（Group Convolution）和通道重排（Channel Shuffle）技术来减少模型参数和计算量，同时保持较高的精度。我们首先需要在YOLOv8的代码中定义ShuffleNetV1模块。
mixnet.zip
11-13
官方说超越MobileNet v3的MixNet，使用混合尺度的Depthwise卷积，效果提升明显。本人对照pytorch版本实现的caffe版本，包括s和m两个版本。在200类ImageNet数据集上测试top1准确率为0.83。
【轻量级网络】MixNet -- Mixed Depthwise Convolutional Kernels
筱
07-29 609
Paper：MixNet Github：pytorch tensorflow 参考：超越MobileNetV3！谷歌大脑提出 MixNet 轻量级网络，已开源！
[Paper Note] MixNet: Mixed Depthwise Convolutional Kernals
Jemary_的博客
07-28 694
abstract MixNet这篇文章系统研究了不同尺寸的卷积核对于最终结果的影响，提出了一个混合深度卷积(MDConv)，在一个卷积中混合了多个卷积核尺寸。然后把MDConv集成到AutoML的搜索空间，构建了MixNets。 不同卷积核尺寸对模型的影响如下： MDConv architecture 因为不同大小的卷积核捕捉的模式不同，特征不同，所以把通道分成多组，每组通道使用不同尺寸的卷积...
MixNet实战：使用MixNet实现图像分类
05-18
本文从实战的角度出发，带领大家感受一下MixNet，我们还是使用以前的植物分类数据集，模型采用mixnet_m。 通过本文你可以学习到： 1、如何使用数据增强，包括transforms的增强、CutOut、MixUp、CutMix等增强手段？ 2、如何调用自定义的模型？ 3、如何使用混合精度训练？ 4、如何使用梯度裁剪防止梯度爆炸？ 5、如何使用DP多显卡训练？ 6、如何绘制loss和acc曲线？ 7、如何生成val的测评报告？ 8、如何编写测试脚本测试测试集？ 9、如何使用余弦退火策略调整学习率？ 原文链接：https://blog.youkuaiyun.com/hhhhhhhhhhwwwwwwwwww/article/details/124845052
bg-mixnet:拜耳格罗特Mixnet实施
05-13
概念 该项目建立在托管的Stadium软件项目之上。 Stadium是一个分布式的元数据专用消息传递系统。 原始存储库的LICENSE，README和NOTICE文件也保留在该存储库中。 该项目与改编的拜耳格罗斯混合网络有关，体育场内部将其用于洗牌。 Mixnet的效率和局限性尤其重要。 效率 与原始版本以及使用非交互式Toom-Cook乘法和Keccak SHA-3 256哈希函数的另一个版本相比，Stadium Mixnet的效率都得到了显着提高（请参阅toom-cook-non-interactive-keccak分支）。 因为Stadium混合网使用OpenMP指令并行化计算，所以其效率随基础计算基础架构的功能而扩展。 下表列出了一些实验结果。 计算环境 混合网 总计（秒） 验证（秒） 证明（秒） 随机播放（秒） Linux Ubuntu VM，2个CPU，4 GB R
MixNet实战：使用MixNet实现图像分类（一）
AI浩
05-18 2738
MixNet实战：使用MixNet实现图像分类 文章目录MixNet实战：使用MixNet实现图像分类安装包1、安装timm2、安装apex数据增强Cutout和Mixup项目结构计算mean和std生成数据集 论文翻译：https://wanghao.blog.youkuaiyun.com/article/details/124779609 模型解析以及pytorch源码：https://wanghao.blog.youkuaiyun.com/article/details/124817384 MixConv 的主要思想是在单个
MixNet了解一下，来自Google Brain最新SOTA移动AI架构
喜欢打酱油的老鸟
01-20 633
2020-01-04 20:10:04 作者：Less Wright 编译：ronghuaiyang 导读 MixNet-L 比 ResNet-153 的参数少 8 倍，而 MixNet-M 的性能与之完全相同，但参数少 12 倍，FLOPS 少 31 倍。 摘要： 通过将单个卷积核替换为 3x3 - 9x9 混合分组和神经搜索“MixNet”架构，在标准的移动指标下，Ima...
[网络模型]MixNet——MixConv: Mixed Depthwise Convolutional Kernels
weixin_41059269的博客
08-11 2206
MixConv: Mixed Depthwise Convolutional Kernels   论文地址：MixConv: Mixed Depthwise Convolutional Kernels   这篇论文由Google Brain发表，主要讨论了深度可分离卷积中被忽略的一个问题：卷积核的尺寸大小。在这篇文章中，作者系统性的分析了不同卷积核大小的影响，并且观察到有效的结合不同尺寸的卷积核可...
MixNet解析以及pytorch源码
AI浩
05-17 3035
文章目录摘要大卷积核与小卷积核分组卷积MinNet核心代码完整代码： 摘要 MixConv 的主要思想是在单个深度卷积操作中混合多个不同大小的内核，以便它可以轻松地从输入图像中捕获不同类型的模式。 大核来捕获高分辨率的特征(我理解是全局的特征)，又需要小核来捕获低分辨率的特征（我理解是图片的纹理特征），以提高模型的准确性和效率。网络结构如图: 这种特征拼接和Inceptions 有很多相似的地方，但是卷积采用分组卷积的方式，所以参数的计算量比较小。想要理解MixNet，首先要理解大小卷积核的优缺点，然后，
吊打MoibleNet，MixNet了解一下，来自Google Brain最新SOTA移动AI架构
AI公园
12-17 449
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”作者：Less Wright编译：ronghuaiyang导读MixNet-L 比 ResNet-153 的参数少 8 倍，而 ...
评论
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