efficientNet论文心得

最新推荐文章于 2025-04-07 21:48:39 发布
最新推荐文章于 2025-04-07 21:48:39 发布
阅读量2.5k 收藏
点赞数
分类专栏： 神经网络基础 文章标签： 人工智能 深度学习 开发语言
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_39421203/article/details/122702244
版权

机器学习 计算机视觉提高准确率、精确度：设计全新的算法（提出完全不同的思想 具有革命性） 设计新的网络架构（目标检测方面：对特征模块、优化模块、前处理后处理模块进行优化）

这篇论文提出了对卷积网络各个维度进行放缩 从而更大效率的提升卷积网络的性能，分别在深度、宽度和输入图片分辨率上做了分析 做了个混合系数 将三个维度联系起来

1、加深

网络层次越来越深 性能变强 但加深到一定程度时 性能提升达到饱和 flops(计算量) 越来越难训练

加深是有限度要求

2、网络宽度

网络加宽可以捕获更加细微的特征 容易训练 但是深度到一定程度 计算量也增加了很多倍

网络宽度也有一定的限制范围

3、输入图片的分辨率

分辨率变大 性能提升 但增幅逐渐变缓 计算量增大好几倍

输入图像的大小（分辨率）也是有限制要求的

所以作者提出一个系数 将三个维度平衡的放大 以提高性能

之前的文章只是探讨宽度和深度 并没有探讨分辨率的影响。

X：tensor大小

H W C：高度 宽度 通道数

F：一系列卷积操作（卷积 池化）

蓝色是基准 18层

当分辨率提升1.3倍 即黄色 性能提升

当深度提升两倍 即绿色 性能提升但不明显

当深度提升两倍 分辨率提升到1.3倍 即红色 性能提升最明显

不同维度之间不是互相独立的 而是需要平衡 需要协同控制

本文提出了以下表示方法：

结构：

参数量极小 计算量极小 准确率更高

结论：

本论文系统的分析了卷积网络的尺度 平衡了宽度 深度 分辨率 运行速度快 参数少 计算量少

【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
03-25 2万+
本专栏研究领域为【超分辨率重建】，涵盖图像超分、视频超分，实时超分，4K修复等方面。主要内容包括主流算法模型的论文精读、论文复现、毕业设计、涨点手段、调参技巧、论文写作、应用落地等方面。算法模型从SRCNN开始更新至今，一般是一篇论文精读对应一篇论文复现。论文精读详解理论，归化繁为简，归纳核心，积累词句，培养阅读论文和论文写作能力。论文复现依托Pytorch代码，实现完整的模型训练流程，总结调参方法，记录碰到的bug，论文插图可视化，培养读写代码能力、做实验的能力、以及应用落地能力。
【图像去噪（Image Denoising）】关于【图像去噪】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总（更新中）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
01-14 1万+
你是否在全网苦寻【图像去噪（ImageDenoising）】的相关资料？你的目标是否是看懂【图像去噪（ImageDenoising）】的相关论文，复现代码，跑出结果，并试图创新？你是否需要发表【图像去噪（ImageDenoising）】的相关论文毕业？你是否需要做【图像去噪（ImageDenoising）】的相关项目，开发软件，研究算法，获得专利或者软著？只要是与【图像去噪（ImageDenoising）】有关的问题，那么请继续往下看。
EfficientNet论文解读
热门推荐
h__ang的博客
06-23 3万+
论文链接：https://arxiv.org/abs/1905.11946 代码链接：https://github.com/tensorflow/tpu/tree/master/models/official/efficientnet 第三方实现的PyTorch代码：https://github.com/lukemelas/EfficientNet-PyTorch ...
【论文阅读】EfficientNet——EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
qq_41488595的博客
03-06 1437
文章目录论文阅读MBConv结构代码实现modeltrainpredict实验结果 论文阅读 感谢p导 EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 本文主要工作是提出了一个在三个维度上（图像分辨率R、网络深度D、channel的宽度W）的合理scale方法。 在之前的一些论文中，基本都是通过改变上述3个参数中的一个来提升网络的性能。通过增加网络深度，例如block的堆叠；增加网络宽度，增加每层feature
EfficientNetV2论文精读(十四)：翻译+学习笔记+pytorch代码复现
最新发布
智算学术的博客
04-07 798
上一篇给大家讲解了2019年google发表的EfficientNetV1版本网络，今天给大家带来EfficientNetV2版本的详解，因为谷歌更看重技术落地和影响力，不需要通过顶会发表来证明自己，所以 EfficientNetV2 直接发布在 arXiv，以更快、更自由的方式公开，同时保护商业利益和技术节奏。EfficientNetV2 在训练速度优化方面，在保持推理性能的同时，更关注模型的训练效率，在efficientNetV1的基础上引入Fused-MBConv 模块，并。
EfficientDet（EfficientNet+BiFPN）论文超详细解读（翻译＋学习笔记+代码实现）
路人贾的博客
06-28 1万+
EfficientDet（EfficientNet+BiFPN）论文《EfficientDet: Scalable and Efficient Object Detection》超详细解读，含代码实现
【EfficientNet论文笔记】
abxl987的博客
09-18 683
本文作为个人对EfficientNet论文的理解，欢迎各位来探讨！
论文阅读——《DTL-IDS: An optimized Intrusion Detection Framework using Deep Transfer Learning and .....》
元气少女硕硕子的博客
12-02 1079
迁移学习是说将模型用其他数据集进行训练，然后再使用实验的数据集VGG19有19层，VGG16有16层，都是用于图像分类采用不同大小的模块并行卷积，用1*1的卷积进行降维，加快了计算的速度，提升了网络的深度是深度可分离卷积DSC的cnn结构；属于Inception的改进版本，需求比Inception低将ResnetV2剩余部分与Inception连接形成一个164层的模型；能够通过学习丰富的特征表示，将图像分类为1000个类别。
从4篇顶会论文看Self-training最新研究进展
Paper weekly
03-08 2587
©PaperWeekly 原创 ·作者｜张一帆学校｜华南理工大学本科生研究方向｜CV，Causality本文梳理了 Self-training 的最新进展，涉及 4 篇比较有意思的论文。...
机器学习贝叶斯学习心得_贝叶斯元学习就是您所需要的
weixin_26726011的博客
08-21 4244
机器学习贝叶斯学习心得Update: This post is part of a blog series on Meta-Learning that I’m working on. Check out part 1 and part 2. 更新 ：这篇文章是我正在从事的有关元学习的博客系列的一部分。 检出 第1 部分 和 第2部分 。 In my previous post, “Meta-Le...
《EfficientNet》论文精读：比Resnet、MobileNet更好的视觉网络
my_name_is_learn的博客
01-13 2424
本篇论文系统地研究了模型缩放并且仔细验证了网络深度、宽度和分辨率之间的平衡可以导致更好的性能表现，性能超过了Resnet、MobileNet等一众优秀的网络
efficienet网络论文解读
IT荻的博客
12-06 2364
df
机器学习笔记 - EfficientNet论文解读
学以致用 知行合一
05-25 1095
EfficientNet是一种卷积神经网络架构和缩放方法，它使用复合系数统一缩放深度/宽度/分辨率的所有维度。与任意缩放这些因子的传统做法不同，EfficientNet 缩放方法使用一组固定缩放系数统一缩放网络宽度、深度和分辨率。例如，如果我们想使用倍的计算资源，那么我们可以简单地增加网络深度, 宽度, 和图像大小， α,β,γ是由原始小模型上的小网格搜索确定的常数系数。EfficientNet 使用复合系数φ以有原则的方式统一缩放网络宽度、深度和分辨率。
【第34篇】 EfficientNetV2：更快、更小、更强——论文翻译
AI浩
05-30 1万+
摘要 本文介绍了 EfficientNetV2，这是一个新的卷积网络家族，与之前的模型相比，它具有更快的训练速度和更好的参数效率。 为了开发这一系列模型，我们结合使用训练感知神经架构搜索和缩放，共同优化训练速度和参数效率。 这些模型是从富含新操作（例如 Fused-MBConv）的搜索空间中搜索的。 我们的实验表明，EfficientNetV2 模型的训练速度比最先进的模型快得多，同时最多可缩小 6.8 倍。 ...
【轻量化网络系列（6）】EfficientNetV1论文超详细解读（翻译 ＋学习笔记+代码实现）
路人贾的博客
06-08 8987
EfficientNetv1论文《EfficientNet:Rethinking Model Scaling for Convolutional Neural Networks》翻译+超详细精读，含代码复现
EfficientNet论文阅读: Rethinking Model Scaling for Convolutional Neural Networks
GracePro的博客
06-17 2848
EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 作者 Mingxing Tan Quoc V. Le 原论文链接 原代码链接 Abstract摘要   卷积神经网络(ConvNets)通常是在固定的资源预算下开发的，如果有更多的资源可用，则会进行扩展（scaled up）以获得更高的精度。在本文中...
【论文精读】EfficientNet
weixin_44934783的博客
02-11 1192
EfficientNet
【论文解读】EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
qq_40653311的博客
06-04 5122
【论文解读】EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks1.介绍2.复合模型扩展 论文链接： https://arxiv.org/pdf/1905.11946.pdf 官方源码： https://github.com/tensorflow/tpu/tree/master/models/officia...
自动驾驶工程师怎么学习大模型
01-30
- 针对自动驾驶的具体需求，例如感知模块中的目标检测、分割等问题上选用合适大小并经过微调后的骨干网(pretrained backbone networks), 如EfficientNet,YOLOv5/6,PSPNet等等； 同样地，在规划决策方面也可以借鉴...
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