RFNext下載 - RFNext原始碼下載

RFNext

其他源碼

g2l_breakfast_searched_dilation_config

下載

RF-Next：卷積神經網路的高效感受野搜索

CNN 的通用感受野搜尋方法。如果您的網路具有核心大於 1 的 Conv，RF-Next 可以進一步改進您的模型。正式實施：

TPAMI2022 論文：《RF-Next：卷積神經網路的高效感受野搜尋》

CVPR2021 論文：“Global2Local：視頻動作分割的高效結構搜尋”

訊息

2022.12.18 RF-Convnext 和易於使用的 RFConv 發布。您可以將 Conv 替換為 RFConv，以支援任何網路的擴張率搜尋。
2022年12月18日 mmsegmentation 代碼發布。
2022.12.18 RF-ConvNext 用於 ImageNet-S ImageNetSegModel 上的大規模語意分割。
2022.12.1 RF-Next 現在已在 MMCV 官方倉庫中，您可以在所有 MMlab 程式碼庫中使用 rf-next。
2022.6.11 mmcv 和 mmdetection 代碼發布。支援 ConvNext、PVT、Res2Net、HRNet。
2022.4.24 RF-Next 協助在 2022 年 MegCup RAW 影像去噪中獲得第一名（團隊回饋）。 2022.2.10 RF-Next 在多個任務上改進了 SOTA CNN 模型 ConvNeXt。
2021.1.1 用於視訊動作分割的 RF-Next。

介紹

模型的時間/空間感受野在順序/空間任務中扮演重要角色。大的感受野有利於長期關係，而小的感受野有助於捕捉局部細節。現有方法使用手工設計的分層感受野來建構模型。我們能否有效搜尋感受野組合來取代手工設計的模式？為了回答這個問題，我們建議透過全域到局部的搜尋方案找到更好的感受野組合。我們的搜尋方案利用全域搜尋來尋找粗略組合，並利用局部搜尋來進一步獲得細化的感受野組合。全局搜尋發現除人類設計的模式之外的可能的粗略組合。在全域搜尋之上，我們提出了一種期望引導的迭代局部搜尋方案來有效地細化組合。我們的 RF-Next 模型將感受野搜尋插入各種模型中，提高了許多任務的效能，例如時間動作分割、物件偵測、實例分割和語音合成。

應用程式和程式碼

RF-Next 支援許多應用。

MMDet 中的物件偵測和實例分割
MMSeg 中的語意分割
MMCV 支援 RF-Next
動作分割方法G2L
RF-ConvNext 用於 ImageNet-S 上的大規模語意分割
語音合成

引文

如果您發現這項工作或程式碼對您的研究有幫助，請引用：

 @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}
}