antialiased cnns下载 - antialiased cnns源代码下载

antialiased cnns

Ai源码

v0.3

下载

抗锯齿 CNN [项目页面] [论文] [演讲]

使卷积网络再次保持平移不变
张理查德.在 ICML，2019 年。

快速简单的开始

运行pip install antialiased-cnns

 import antialiased_cnns
model = antialiased_cnns . resnet50 ( pretrained = True )

如果您已经有了模型并且想要抗锯齿并继续训练，请将旧权重复制到：

 import torchvision . models as models
old_model = models . resnet50 ( pretrained = True ) # old (aliased) model
antialiased_cnns . copy_params_buffers ( old_model , model ) # copy the weights over

如果要修改自己的模型，请使用 BlurPool 图层。有关我们提供的模型以及如何使用 BlurPool 的更多信息如下。

 C = 10 # example feature channel size
blurpool = antialiased_cnns . BlurPool ( C , stride = 2 ) # BlurPool layer; use to downsample a feature map
ex_tens = torch . Tensor ( 1 , C , 128 , 128 )
print ( blurpool ( ex_tens ). shape ) # 1xCx64x64 tensor

更新

（2020 年 10 月）微调我使用基线模型的权重初始化抗锯齿模型，然后进行微调。之前，我是从零开始训练的。结果更好。
（2020 年 10 月）其他型号我们现在共有 23 种型号。我添加了 vgg、densenet、resnext、wide resnet 变体！同样的结论成立。
（2020 年 9 月）Pip install您现在还可以pip install antialiased-cnns并使用pretrained=True标志加载模型。
（2020 年 9 月）内核 4我添加了内核大小 4 的实验。当对均匀大小的特征图（例如，128x128-->64x64）进行下采样时，这实际上是用于防止索引漂移的正确大小。

(0) 预赛

pip 安装这个包

pip install antialiased-cnns

或者克隆此存储库并安装要求（特别是 PyTorch）

https://github.com/adobe/antialiased-cnns.git
cd antialiased-cnns
pip install -r requirements.txt

(1)加载抗锯齿模型

下面加载一个预训练的抗锯齿模型，也许作为您的应用程序的骨干。

 import antialiased_cnns
model = antialiased_cnns . resnet50 ( pretrained = True , filter_size = 4 )

我们还提供抗锯齿AlexNet 、 VGG16(bn) 、 Resnet18,34,50,101 、 Densenet121和MobileNetv2的权重（请参阅 example_usage.py）。

(2)如何对自己的架构进行抗锯齿

antialiased_cnns模块包含BlurPool类，它执行模糊+子采样。运行pip install antialiased-cnns或复制antialiased_cnns子目录。

方法方法很简单——首先使用步幅 1 进行评估，然后使用我们的BlurPool层进行抗锯齿下采样。进行以下架构更改。

 import antialiased_cnns

# MaxPool --> MaxBlurPool
baseline = nn . MaxPool2d ( kernel_size = 2 , stride = 2 )
antialiased = [ nn . MaxPool2d ( kernel_size = 2 , stride = 1 ), 
    antialiased_cnns . BlurPool ( C , stride = 2 )]
    
# Conv --> ConvBlurPool
baseline = [ nn . Conv2d ( Cin , C , kernel_size = 3 , stride = 2 , padding = 1 ), 
    nn . ReLU ( inplace = True )]
antialiased = [ nn . Conv2d ( Cin , C , kernel_size = 3 , stride = 1 , padding = 1 ),
    nn . ReLU ( inplace = True ),
    antialiased_cnns . BlurPool ( C , stride = 2 )]

# AvgPool --> BlurPool
baseline = nn . AvgPool2d ( kernel_size = 2 , stride = 2 )
antialiased = antialiased_cnns . BlurPool ( C , stride = 2 )

我们假设输入张量有C通道。以步幅 1（而不是步幅 2）计算层会增加内存和运行时间。因此，我们通常会在最高分辨率下（在网络的早期）跳过抗锯齿，以防止大幅增加。

添加抗锯齿，然后继续训练如果您已经训练了模型，然后添加抗锯齿，则可以从旧模型进行微调：

 antialiased_cnns . copy_params_buffers ( old_model , antialiased_model )

如果这不起作用，您可以只复制参数（而不是缓冲区）。添加抗锯齿功能不会添加任何参数，因此参数列表是相同的。（它确实添加了缓冲区，因此使用一些启发式方法来匹配缓冲区，这可能会引发错误。）

 antialiased_cnns . copy_params ( old_model , antialiased_model )

(3) ImageNet评估、结果和训练代码

我们观察到准确性（图像被正确分类的频率）和一致性（同一图像的两个移位被分类为相同的频率）方面都有所提高。

准确性	基线	抗锯齿	三角洲
亚历克斯网	56.55	56.94	+0.39
VG11	69.02	70.51	+1.49
VG13	69.93	71.52	+1.59
VG16	71.59	72.96	+1.37
VG19	72.38	73.54	+1.16
vgg11_bn	70.38	72.63	+2.25
vgg13_bn	71.55	73.61	+2.06
vgg16_bn	73.36	75.13	+1.77
vgg19_bn	74.24	75.68	+1.44
资源网18	69.74	71.67	+1.93
资源网34	73.30	74.60	+1.30
resnet50	76.16	77.41	+1.25
资源网101	77.37	78.38	+1.01
资源网152	78.31	79.07	+0.76
resnext50_32x4d	77.62	77.93	+0.31
resnext101_32x8d	79.31	79.33	+0.02
Wide_resnet50_2	78.47	78.70	+0.23
Wide_resnet101_2	78.85	78.99	+0.14
密集网121	74.43	75.79	+1.36
密集网169	75.60	76.73	+1.13
密集网201	76.90	77.31	+0.41
密集网161	77.14	77.88	+0.74
移动网络_v2	71.88	72.72	+0.84

一致性	基线	抗锯齿	三角洲
亚历克斯网	78.18	83.31	+5.13
VG11	86.58	90.09	+3.51
VG13	86.92	90.31	+3.39
VG16	88.52	90.91	+2.39
VG19	89.17	91.08	+1.91
vgg11_bn	87.16	90.67	+3.51
vgg13_bn	88.03	91.09	+3.06
vgg16_bn	89.24	91.58	+2.34
vgg19_bn	89.59	91.60	+2.01
资源网18	85.11	88.36	+3.25
资源网34	87.56	89.77	+2.21
resnet50	89.20	91.32	+2.12
资源网101	89.81	91.97	+2.16
资源网152	90.92	92.42	+1.50
resnext50_32x4d	90.17	91.48	+1.31
resnext101_32x8d	91.33	92.67	+1.34
Wide_resnet50_2	90.77	92.46	+1.69
Wide_resnet101_2	90.93	92.10	+1.17
密集网121	88.81	90.35	+1.54
密集网169	89.68	90.61	+0.93
密集网201	90.36	91.32	+0.96
密集网161	90.82	91.66	+0.84
移动网络_v2	86.50	87.73	+1.23