ดาวน์โหลด RFNext - ดาวน์โหลด RFNext ซอร์สโค้ด

RFNext

ซอร์สโค้ดอื่น ๆ

g2l_breakfast_searched_dilation_config

ดาวน์โหลด

RF-Next: การค้นหาสนามรับสัญญาณที่มีประสิทธิภาพสำหรับโครงข่ายประสาทเทียมแบบ Convolutional

วิธีการค้นหาภาคสนามแบบเปิดกว้างทั่วไปสำหรับ CNN หากเครือข่ายของคุณมี Conv ที่มีเคอร์เนลใหญ่กว่า 1 RF-Next สามารถปรับปรุงโมเดลของคุณเพิ่มเติมได้ การดำเนินการอย่างเป็นทางการของ:

บทความ TPAMI2022: 'RF-Next: การค้นหาสนามรับอย่างมีประสิทธิภาพสำหรับโครงข่ายประสาทเทียมแบบ Convolutional'

เอกสาร CVPR2021: 'Global2Local: การค้นหาโครงสร้างที่มีประสิทธิภาพสำหรับการแบ่งส่วนการกระทำวิดีโอ'

ข่าว

12.18.2022.18 เปิดตัว RF-Convnext พร้อม RFConv ที่ใช้งานง่าย คุณสามารถแทนที่ Conv ด้วย RFConv เพื่อรองรับการค้นหาอัตราการขยายสำหรับเครือข่ายใดๆ
2022.12.18 เปิดตัวโค้ดสำหรับ mmsegmentation แล้ว
2022.12.18 RF-ConvNext สำหรับการแบ่งส่วนความหมายขนาดใหญ่บน ImageNet-S ImageNetSegModel
2022.12.1 RF-Next อยู่ใน repo อย่างเป็นทางการของ MMCV แล้ว คุณสามารถใช้ rf-next ในโค้ดเบส MMlab ทั้งหมดได้
2022.6.11 เปิดตัวโค้ดสำหรับ mmcv และ mmdetection แล้ว รองรับ ConvNext, PVT, Res2Net, HRNet
2022.4.24 RF-Next ช่วยให้คว้าอันดับที่ 1 (Team Feedback) ในการลดสัญญาณรบกวนภาพ MegCup RAW ปี 2022 2022.2.10 RF-Next ปรับปรุง ConvNeXt โมเดล SOTA CNN ในงานหลายอย่าง
2021.1.1 RF-Next สำหรับการแบ่งกลุ่มการกระทำวิดีโอ

การแนะนำ

สาขาเปิดรับชั่วคราว/เชิงพื้นที่ของแบบจำลองมีบทบาทสำคัญในงานลำดับ/เชิงพื้นที่ ช่องรับสัญญาณขนาดใหญ่ช่วยอำนวยความสะดวกในความสัมพันธ์ระยะยาว ในขณะที่ช่องรับสัญญาณขนาดเล็กช่วยเก็บรายละเอียดในท้องถิ่น วิธีการที่มีอยู่สร้างแบบจำลองด้วยช่องรับสัญญาณที่ออกแบบด้วยมือเป็นชั้นๆ เราสามารถค้นหาชุดช่องรับข้อมูลเพื่อแทนที่รูปแบบที่ออกแบบด้วยมือได้อย่างมีประสิทธิภาพหรือไม่ เพื่อตอบคำถามนี้ เราขอเสนอให้ค้นหาชุดค่าผสมของฟิลด์ที่เปิดกว้างที่ดีกว่าผ่านแผนการค้นหาจากทั่วโลกถึงท้องถิ่น รูปแบบการค้นหาของเราใช้ประโยชน์จากทั้งการค้นหาทั่วโลกเพื่อค้นหาชุดค่าผสมแบบหยาบและการค้นหาในท้องถิ่นเพื่อให้ได้ชุดค่าผสมช่องรับที่ได้รับการปรับปรุงเพิ่มเติม การค้นหาทั่วโลกพบการผสมผสานที่หยาบที่เป็นไปได้ นอกเหนือจากรูปแบบที่ออกแบบโดยมนุษย์ นอกเหนือจากการค้นหาทั่วโลกแล้ว เราขอเสนอรูปแบบการค้นหาในท้องถิ่นซ้ำตามความคาดหวังเพื่อปรับแต่งชุดค่าผสมอย่างมีประสิทธิภาพ โมเดล RF-Next ของเราที่เสียบการค้นหาภาคสนามแบบเปิดเข้ากับโมเดลต่างๆ เพิ่มประสิทธิภาพในงานต่างๆ มากมาย เช่น การแบ่งส่วนการดำเนินการชั่วคราว การตรวจจับวัตถุ การแบ่งส่วนอินสแตนซ์ และการสังเคราะห์เสียงพูด

แอปพลิเคชันและรหัส

RF-Next รองรับการใช้งานมากมาย

การตรวจจับวัตถุและการแบ่งส่วนอินสแตนซ์ใน MMDet
การแบ่งส่วนความหมายใน MMSeg
MMCV รองรับ RF-Next
การแบ่งส่วนการกระทำ วิธีการ G2L
RF-ConvNext สำหรับการแบ่งส่วนความหมายขนาดใหญ่บน ImageNet-S
การสังเคราะห์เสียงพูด

การอ้างอิง

หากคุณพบว่างานหรือโค้ดนี้มีประโยชน์ในการวิจัยของคุณ โปรดอ้างอิง:

 @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}
}