Apr, 2019

Res2Net：一种新的多尺度骨干网络结构

PDF
TL;DR本文提出了一种新型卷积神经网络模块 ——Res2Net，在单个残差块内构建分层残差连接，从而以粒度的方式表示多尺度特征，并扩大每个网络层的感受野范围。在图像分类和目标检测等计算机视觉任务中，Res2Net 优于目前的基线方法。
multi-scale featuresres2netconvolutional neural networksobject detectionimage classification
发现论文，激发创造
  • GoogLe2Net：使用卷积横跨网络

    本文提出了一种新的卷积神经网络架构 GoogLe2Net，其中 ResFRI 或 Split-ResFRI 创造横向通道和残差连接，使得信息可以在卷积层之间流动，并在细粒度上表达多尺度特征，从而在图像分类等任务中取得更好的结果。

    Jan, 2023

  • Big-Little Net：一种高效的多尺度特征表示方法，用于视觉和语音识别

    该论文提出了一种新的卷积神经网络 (CNN) 架构，通过使用具有不同计算复杂度的多分支网络，在不同的尺度上频繁合并特征，以使用更少的计算实现多尺度特征，并在目标识别和语音识别任务上显著提高了模型效率和性能。

    Jul, 2018

  • ResNeSt: 分组注意网络

    本文提出一种名为 ResNeSt 的模型，利用特征映射关注和多路径表示对图像进行分类，结构简单且计算统一，能够实现较好的精度和延迟折衷，同时在多个公共基准测试中也取得了更好的迁移学习结果。

    Apr, 2020

  • 深金字塔残差网络

    探索使用逐渐增加特征映射维度的方式，提高深度残差神经网络的泛化能力，并提出了一种新的残差单元，增强了其分类准确性；实验表明，与原始的残差网络相比，该网络结构具有更好的泛化能力。

    Oct, 2016

  • Resnet in Resnet：广义残差连接结构

    介绍了一个深度双流架构 Resnet in Resnet（RiR），该架构推广了 Residual networks（ResNets）和标准 CNNs，且无计算开销，通过在 CIFAR-10 上实现，RiR 不断提高性能、在 CIFAR-100 上创新了新的最优结果

    Mar, 2016

  • 残差网络的残差网络：多层残差网络

    本文提出一种新的残差网络架构 RoR，通过在现有的残差网络中添加层次化的快捷连接实现优化，从而提升其学习能力，进而提高性能，实验结果展示 RoR 在各种残差网络类型中的有效性和通用性，并在多个数据集上达到最佳性能表现。

    Aug, 2016

  • 基于轻量级残差卷积神经网络的单张图像超分辨率

    本研究旨在扩展残差网络的优点，如快速训练，用于低级视觉问题，即单个图像超分辨率，通过引入跳跃连接和逐渐改变网络形状的策略，该方法在单个图像超分辨率上取得了最新的 PSNR 和 SSIM 结果，并产生了视觉上令人愉悦的结果。

    Mar, 2017

  • ShaResNet: 共享权重减少残差网络参数数量

    本文通过共享同一空间尺度下的残差块中卷积层的权重，提出了一种名为 ShaResNet 的深度残差网络，使网络参数得到显著减少，同时在图像分类任务中保证了准确率。

    Feb, 2017

  • 学习丰富特征以进行真实图像修复和增强

    本文介绍了一个新颖的 CNNs 图像恢复架构，名为 MIRNet，该架构具有多尺度残差块、多分辨率卷积流、空间和通道注意力机制、基于注意力的多尺度特征聚合等关键特征，能够同时维护高分辨率精确表达和从低分辨率表示中获得强有力的语境信息。实验结果表明，MIRNet 在图像去噪、超分辨率和图像增强等多项任务中取得了最先进的结果。

    Mar, 2020

  • 用于单阶段检测的残差特征和统一预测网络

    该论文提出了一种方法，使用 Resblock 和反卷积层丰富特征图的表示能力并应用统一预测模块来提高早期层的表示能力，从而在 PASCAL VOC 和 MS COCO 上实现了比 SSD 更高的得分，并保持了单级检测器的快速计算的优势。

    Jul, 2017