Unduhan RFNext - Unduhan kode Sumber RFNext

RFNext

Kode sumber lainnya

g2l_breakfast_searched_dilation_config

Unduh

RF-Next: Pencarian Lapangan Reseptif yang Efisien untuk Jaringan Neural Konvolusional

Metode pencarian bidang reseptif umum untuk CNN. Jika jaringan Anda memiliki Konv dengan kernel yang lebih besar dari 1, RF-Next dapat meningkatkan model Anda lebih lanjut. Implementasi resmi dari:

Makalah TPAMI2022: 'RF-Next: Pencarian Lapangan Reseptif yang Efisien untuk Jaringan Syaraf Konvolusional'

Makalah CVPR2021: 'Global2Local: Penelusuran Struktur yang Efisien untuk Segmentasi Tindakan Video'

Berita

2022.12.18 RF-Convnext dengan RFConv yang mudah digunakan dirilis. Anda dapat mengganti Conv dengan RFConv untuk mendukung pencarian laju pelebaran untuk jaringan apa pun.
18.12.2022 Kode untuk mmsegmentasi dirilis.
2022.12.18 RF-ConvNext untuk segmentasi semantik skala besar di ImageNet-S ImageNetSegModel.
2022.12.1 RF-Next sekarang ada di repo resmi MMCV, Anda dapat menggunakan rf-next di semua basis kode MMlab.
2022.6.11 Kode untuk mmcv dan mmdetection dirilis. ConvNext, PVT, Res2Net, HRNet didukung.
24.4.24 RF-Next membantu mencapai posisi pertama (Umpan Balik Tim) pada denoising gambar RAW MegCup 2022. 2022.2.10 RF-Next meningkatkan model SOTA CNN ConvNeXt pada banyak tugas.
2021.1.1 RF-Next untuk Segmentasi Aksi Video.

Perkenalan

Bidang model reseptif temporal/spasial memainkan peran penting dalam tugas berurutan/spasial. Bidang reseptif yang besar memfasilitasi hubungan jangka panjang, sedangkan bidang reseptif yang kecil membantu menangkap detail lokal. Metode yang ada membangun model dengan bidang reseptif yang dirancang secara berlapis. Bisakah kita secara efektif mencari kombinasi bidang reseptif untuk menggantikan pola desain tangan? Untuk menjawab pertanyaan ini, kami mengusulkan untuk menemukan kombinasi bidang reseptif yang lebih baik melalui skema pencarian global-ke-lokal. Skema pencarian kami memanfaatkan pencarian global untuk menemukan kombinasi kasar dan pencarian lokal untuk mendapatkan kombinasi bidang reseptif yang lebih baik. Pencarian global menemukan kemungkinan kombinasi kasar selain pola yang dirancang manusia. Selain penelusuran global, kami mengusulkan skema penelusuran lokal berulang yang dipandu oleh ekspektasi untuk menyempurnakan kombinasi secara efektif. Model RF-Next kami, yang menghubungkan pencarian lapangan reseptif ke berbagai model, meningkatkan kinerja pada banyak tugas, misalnya, segmentasi tindakan temporal, deteksi objek, segmentasi instance, dan sintesis ucapan.

Aplikasi dan Kode

RF-Next mendukung banyak aplikasi.

Deteksi objek dan segmentasi Instance di MMDet
Segmentasi semantik di MMSeg
MMCV mendukung RF-Berikutnya
Segmentasi tindakan Metode G2L
RF-ConvNext untuk segmentasi semantik skala besar di ImageNet-S
Sintesis ucapan

Kutipan

Jika menurut Anda pekerjaan atau kode ini bermanfaat dalam penelitian Anda, harap kutip:

 @article{gao2022rfnext,   
title={RF-Next: Efficient Receptive Field Search for Convolutional Neural Networks},   
author={Gao, Shanghua and Li, Zhong-Yu and Han, Qi and Cheng, Ming-Ming and Wang, Liang},   
journal=TPAMI,   
year={2022} }

@inproceedings{gao2021global2local,
  title={Global2Local: Efficient Structure Search for Video Action Segmentation},
  author={Gao, Shang-Hua and Han, Qi and Li, Zhong-Yu and Peng, Pai and Wang, Liang and Cheng, Ming-Ming},
  booktitle=CVPR,
  year={2021}
}