论文阅读-DDFN: Decoupled Dynamic Filter Networks解耦的动态卷积

已于 2023-02-21 16:41:30 修改
阅读量1.1k 收藏 4
点赞数
分类专栏： 读论文 文章标签： 深度学习 神经网络 cnn
于 2023-02-20 14:10:13 首次发布
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_43687860/article/details/129123299
版权
DDFN是CVPR2021会议上的一篇论文，旨在解决标准卷积和深度卷积的局限性。通过解耦动态滤波器，将空间和通道动态滤波器分开，降低了参数量，同时保持与深度卷积相当的计算成本。模型结构包括两个步骤：1x1卷积处理空间维度，全局平均池化加SE操作处理通道维度。实验表明，DDFN在计算成本和内存占用方面具有优势，并且在图像分类任务中表现出优越性能。

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

一、论文信息

论文名称：Decoupled Dynamic Filter Networks

论文：https://thefoxofsky.github.io/files/ddf.pdf

代码：https://github.com/theFoxofSky/ddfnet

主页：https://thefoxofsky.github.io/project_pages/ddf

作者团队：

 会议：CVPR2021

前期工作：

DFN

二、动机与创新

动机

  • 标准卷积局限：内容不可知、计算量大

  • 深度卷积局限：是标准卷积的轻量级变体，但会导致CNN性能下降，需要更多的通道

创新

了解本专栏 订阅专栏 解锁全文 超级会员免费看
【图像去噪】论文精读：Attention-guided CNN for Image Denoising（ADNet）
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】
11-30 407
论文题目：Attention-guided CNN for Image Denoising：用于图像去噪的注意引导CNN注意力用于图像去噪！深度卷积神经网络 (CNN) 在低级计算机视觉中引起了相当大的兴趣。研究通常致力于通过非常深的 CNN 来提高性能。然而，随着深度的增加，浅层对深层的影响减弱。受此启发，我们提出了一种注意力引导去噪卷积神经网络（ADNet），主要包括稀疏块（SB）、特征增强块（FEB）、注意块（AB）和重建块（RB）用于图像去噪。
论文阅读-DFN: Dynamic Filter Networks-动态卷积网络
一位不是很硕的鉴伪方向硕士
02-20 1381
作者提出了一个 Dynamic Filter Networks，这个模型中的卷积核是可学习的，通过学习将输入映射到过滤器的函数，实现随输入的不同而变化
Dynamic Filter Networks
a1424262219的博客
06-05 1603
Dynamic Filter Networks 2019-06-1011:29:19 Paper：http://papers.nips.cc/paper/6578-dynamic-filter-networks.pdf Code (Lasagne)：https://github.com/dbbert/dfn 1. Background and Motivation: ...
Decoupled Dynamic Filter Networks
怡宝2号
06-25 1319
转载自:https://www.cnblogs.com/liuyangcode/p/14755924.html 对depth-wise的改进，将卷积核的参数改为根据输入变化的方式 Introduction 卷积缺点在于：内容不变，计算量高 动态filter可以根据内容自适应，但是会提高计算量。depth-wise卷积很轻量，但是会降低准确度 提出的DDF可以处理这两个缺点，受attention影响，将depth-wise的动态卷积核解耦成空间和channel上的动态filter Method 其实.
Decoupled Dynamic Filter Networks（速读）
Arc
02-01 2743
大年初一快乐！ 过年好！ 昨天bb了那么多东西（有点喧宾夺主啦），今天就不多说了，反正要一直成长就好啦~ 咱来看看这篇论文 Abstract 我看在一些文章里竟然没有这一个部分的讲解，，，要是我的话这部分是必须看的 可能因为人家只需要看method就可以总结出来了呜呜 这个的Abstract非常巧妙啊！！！ 一开始先说传统的卷积有两个主要的缺点：内容不可知和计算量大（Content-sgnostic and Computation-heavy） 然后说自己的DDF可以克服这两个缺点 最后跟resne
推荐文章：深度探索动态滤波新境界——Decoupled Dynamic Filter Networks（DDFNet）
最新发布
gitblog_00557的博客
08-29 637
推荐文章：深度探索动态滤波新境界——Decoupled Dynamic Filter Networks（DDFNet） ddfnetThe official implementation of the CVPR2021 paper: Decoupled Dynamic Filter Networks项目地址:https://gitcode.com/gh_mirrors/dd/ddfnet 在追求...
【CVPR2021】Decoupled dynamic filter networks
OUC的搬砖日常
01-18 1894
论文：https://thefoxofsky.github.io/files/ddf.pdf 代码：https://github.com/thefoxofsky/ddfnet 主页：https://thefoxofsky.github.io/project_pages/ddf 先从论文首页的图说起。第一行为普通静态卷积，对于道路、车辆、建筑使用相同的卷积核，这样会导致一个问题：sub-optimal feature learning。第二行为动态卷积，每一个像素都使用不同的卷积核，道路、车辆、建筑使用..
详细理解"Deep Boosting for Image Denoising"这篇文章
QCroot的博客
06-28 2418
目录 前言 文章思路（公式描述） Result 前言 Deep Boosting for Image Denoising是ECCV2018年的文章，由于小菜我主要接触的是关于Low-Level Computer Vision，所以在ECCV2018论文集中看到了这一篇文章。 这篇文章由于利用了Boosting方法，是可以基于一个比较成熟的网络上做进一步的Boostin...
推荐：Decoupled Dynamic Filter Networks - 激活视觉计算的新维度
gitblog_00080的博客
06-09 342
推荐：Decoupled Dynamic Filter Networks - 激活视觉计算的新维度 ddfnetThe official implementation of the CVPR2021 paper: Decoupled Dynamic Filter Networks项目地址:https://gitcode.com/gh_mirrors/dd/ddfnet 项目介绍 欢迎探索Deco...
《Dynamic Filter Networks》动态过滤网络
qq_33278461的博客
06-05 4272
Dynamic Filter Networks 《Dynamic Filter Networks》NIPS 2016 论文链接：https://arxiv.org/abs/1605.09673 一、目的 卷积核参数训练完就是固定的，不够灵活，作者希望得到一个根据输入动态生成的过滤器。 提出dynamic filter module(filter-generating network 、dynamic filtering layer). 根据一个视角图预测其他视角(旋转人脸)、预测视频下一帧、2D变3D等等常
重要论文——Dynamic Filter Networks
qq_29257201的博客
08-03 4111
2016 NIPS ESAT-PSI, KU Leuven, iMinds 这篇文章，作者针对 以往的卷积操作中的卷积核，经过训练以后就是固定的，因此作者，提出一个 Dynamic Filter Networks，这个模型中的卷积核是 可学习的。我们来看一下这篇文章的方法： Method 从上图可以看出， Dynamic Filter Networks包含两部分：Filter-genera...
论文阅读笔记之——《Dynamic Filter Networks》
gwpscut的博客
01-24 6240
the Dynamic Filter Network, where filters are generated dynamically conditioned on an input including local spatial transformations, but also others like selective (de)blurring or adaptive feature ex...
Dynamic networks | 动态网络
weixin_34319111的博客
08-07 1651
Dynamic networks reveal key players in aging 系统生物学中的网络分析   网络的拓扑结构：topological properties， 网络的度：whole network connectivity (degree)，节点度是指和该节点相关联的边的条数，又称关联度。 特别地，对于有向图， 节点的入度 是指进入该节点的边的条数； 节点的出度是...
DDF
W1995S的博客
05-05 7950
《Decoupled Dynamic Filter Networks》CVPR 2021 Homepage: https://thefoxofsky.github.io/project_pages/ddf Paper: https://arxiv.org/abs/2104.14107 Code: https://github.com/thefoxofsky/DDF 文章目录前言AbstractPreliminariesDecoupled Dynamic FilterDDF Network f
动态滤波网络论文解读
Wenrui Xie的博客
02-03 3421
论文题目：Dynamic Filter Networks 论文链接：https://arxiv.org/pdf/1605.09673.pdf summary 在传统的卷积层中，经过训练后的学习滤波器保持不变。相反本篇论文引入了一种动态过滤器网络，根据输入动态生成，但是却没有过多地增加模型参数的数量。 动态滤波网络组成 总体框架如下图所示： 动态滤波网络由过滤生成网络和动态过滤层组...
动态滤波器卷积｜DynamicConv【转载】
a578831363的博客
04-19 545
动态滤波器卷积｜DynamicConv【转载】 文章转载自知乎用户：Happy （中国地质大学 计算数学硕士） 文章地址：动态滤波器卷积｜DynamicConv
C2DFNet: Criss-Cross Dynamic Filter Networkfor RGB-D Salient Object Detection笔记
qq_58893031的博客
03-21 703
本文通过动态卷积解耦，提出一种交叉动态滤波网络。首先提出了一个特定于模型的动态增强模块（MDEM），该模块在全局上下文指导下动态增强模态内特征。其次，提出了场景感知动态融合模块（SDFM），实现了两种模态间的动态特征选择。模型实现了对显著对象的准确预测。
《Dynamic Filter Networks》阅读记录
weixin_46040552的博客
03-06 751
Motivation In a traditional convolutional layer, the learned filters stay fixed after training. So this paper propose the Dynamic Filter Network, where filters are generated dynamically conditioned on...
dynamic networks embedding
qq_24059779的博客
01-06 777
2018AAAI  https://github.com/luckiezhou/DynamicTriad https://github.com/linhongseba/Temporal-Network-Embedding meta2vec https://github.com/PearlPeiyanYu/Dynamic-Network-Embedding PNAS参考文献8-15 找源代码及...
动态滤波器卷积新高度！DDF resnet50精度提高1.9
jacke121的专栏
04-30 5009
本文是加州大学默塞德分校Ming-Hsuan Yang团队在动态滤波器卷积方面的工作，已被CVPR2021接收。本文针对标准卷积存在的两个问题：内容不可知与计算量大问题，提出了一种具有内容自适应且更轻量的解耦动态滤波器，它将常规动态滤波器拆分为空域动态滤波器与通道动态滤波器，这种拆分可以极大的降低参数量，并将计算量限定在深度卷积同等水平。在图像分类、目标检测、联合深度估计等任务上的实验表明：DDF可以带来显著的性能提升。比如，在ResNet50/101网络的即插即用分别带来了1.9%/1.3%的性能...
评论 3
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