pyconv

피라미드 컨볼루션

이것은 우리 논문 "Pyramidal Convolution: Rethinking Convolutional Neural Networks for Visual Recognition"의 PyTorch 구현입니다. (이것은 ImageNet의 이미지 인식을 위한 코드입니다. 의미론적 이미지 분할/파싱에 대해서는 이 저장소를 참조하십시오: https://github.com/iduta/pyconvsegnet)

ImageNet에서 훈련된 모델은 여기에서 찾을 수 있습니다.

PyConv는 기준선에 비해 향상된 인식 기능을 제공할 수 있습니다(자세한 내용은 논문 참조).

ImageNet의 정확도(기본 교육 설정 사용):

회로망	50층	101층	152층
레스넷	76.12% (모델)	78.00% (모델)	78.45% (모델)
PyConvHGresNet	78.48 % (모델)	79.22 % (모델)	79.36 %(모델)
PyConvResNet	77.88 % (모델)	79.01 % (모델)	79.52 %(모델)

ImageNet의 정확도는 보다 복잡한 훈련 설정을 사용하여 크게 향상될 수 있습니다(예: 추가 데이터 확대(CutMix) 사용, 바흐 크기를 1024로 늘리기, 학습률 0.4, 300 에포크 이상의 코사인 스케줄러 및 혼합 정밀도를 사용하여 훈련 속도 향상) ):

회로망	테스트 자르기: 224×224	테스트 자르기: 320×320
PyConvResNet-50(+증강)	79.44	80.59	(모델)
PyConvResNet-101(+증강)	80.58	81.49	(모델)

요구사항

공식 PyTorch ImageNet 교육 코드에 따라 PyTorch 및 ImageNet 데이터세트를 설치합니다.

빠른 대안(PyTorch 및 기타 딥 러닝 라이브러리를 설치할 필요 없음)은 NVIDIA-Docker를 사용하는 것입니다. 우리는 이 컨테이너 이미지를 사용했습니다.

훈련

DataParallel을 사용하여 모델(예: 50개의 레이어가 있는 PyConvResNet)을 훈련하려면 main.py 실행하세요. 또한 result_path (결과와 로그를 저장할 디렉터리 경로) 및 --data (ImageNet 데이터 세트의 경로)를 제공해야 합니다.

result_path=/your/path/to/save/results/and/logs/
mkdir -p ${result_path}
python main.py 
--data /your/path/to/ImageNet/dataset/ 
--result_path ${result_path} 
--arch pyconvresnet 
--model_depth 50

다중 처리 분산 데이터 병렬 훈련을 사용하여 훈련하려면 공식 PyTorch ImageNet 훈련 코드의 지침을 따르십시오.

소환

우리의 작업이 유용하다고 생각되면 다음을 인용해 보십시오.

 @article{duta2020pyramidal,
  author  = {Ionut Cosmin Duta and Li Liu and Fan Zhu and Ling Shao},
  title   = {Pyramidal Convolution: Rethinking Convolutional Neural Networks for Visual Recognition},
  journal = {arXiv preprint arXiv:2006.11538},
  year    = {2020},
}