RFNext下载 - RFNext源码下载

RFNext

其他源码

g2l_breakfast_searched_dilation_config

下载

RF-Next：卷积神经网络的高效感受野搜索

CNN 的通用感受野搜索方法。如果您的网络具有内核大于 1 的 Conv，RF-Next 可以进一步改进您的模型。正式实施：

TPAMI2022 论文：《RF-Next：卷积神经网络的高效感受野搜索》

CVPR2021 论文：“Global2Local：视频动作分割的高效结构搜索”

消息

2022.12.18 RF-Convnext 和易于使用的 RFConv 发布。您可以将 Conv 替换为 RFConv，以支持任何网络的扩张率搜索。
2022年12月18日 mmsegmentation 代码发布。
2022.12.18 RF-ConvNext 用于 ImageNet-S ImageNetSegModel 上的大规模语义分割。
2022.12.1 RF-Next 现已在 MMCV 官方仓库中，您可以在所有 MMlab 代码库中使用 rf-next。
2022.6.11 mmcv 和 mmdetection 代码发布。支持 ConvNext、PVT、Res2Net、HRNet。
2022.4.24 RF-Next 帮助在 2022 年 MegCup RAW 图像去噪中获得第一名（团队反馈）。 2022.2.10 RF-Next 在多个任务上改进了 SOTA CNN 模型 ConvNeXt。
2021.1.1 用于视频动作分割的 RF-Next。

介绍

模型的时间/空间感受野在顺序/空间任务中发挥着重要作用。大的感受野有利于长期关系，而小的感受野有助于捕捉局部细节。现有方法使用手工设计的分层感受野构建模型。我们能否有效地搜索感受野组合来取代手工设计的模式？为了回答这个问题，我们建议通过全局到局部的搜索方案找到更好的感受野组合。我们的搜索方案利用全局搜索来查找粗略组合，并利用局部搜索来进一步获得细化的感受野组合。全局搜索发现除人类设计的模式之外的可能的粗略组合。在全局搜索之上，我们提出了一种期望引导的迭代局部搜索方案来有效地细化组合。我们的 RF-Next 模型将感受野搜索插入到各种模型中，提高了许多任务的性能，例如时间动作分割、对象检测、实例分割和语音合成。

应用程序和代码

RF-Next 支持许多应用。

MMDet 中的对象检测和实例分割
MMSeg 中的语义分割
MMCV 支持 RF-Next
动作分割方法G2L
RF-ConvNext 用于 ImageNet-S 上的大规模语义分割
语音合成

引文

如果您发现这项工作或代码对您的研究有帮助，请引用：

 @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}
}