本文提出了一种新的卷积神经网络架构,该架构通过扩展残差网络的层数,明确利用非常深网络的集成表现,并使模型变宽而不是更深,从而显著提高了准确性。受多元残差网络的并行结构启发,本研究还探讨了一种模型并行技术,该技术使残差块的计算分布在处理器之间,计算复杂度提高了 15%。最后,我们证明了我们模型在 ImageNet 分类数据集上优于大多数现有模型的表现。
Sep, 2016
深度学习模型已经通过学习原始像素数据中的复杂特征层次结构,革新了图像分类。本文介绍了一种基于 ResNet 模型的图像分类方法,并引入了一个轻量级的注意力机制框架来提高性能。该框架优化了特征表示,增强了分类能力,并提高了特征的判别性。我们在 Breakhis 数据集上验证了该算法的有效性,在许多方面显示出其优越性。我们的方法不仅在传统模型方面具有优势,还在当代视觉转换器等最先进方法上显示出优势。在精确度、准确度、召回率、F1 分数和 G-means 等指标方面实现了显著的改进,同时在收敛时间方面表现良好。这些结果加强了算法的性能,并巩固了其在实际图像分类任务中的应用前景。
Aug, 2023
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
本文提出了一种残差学习框架,以优化超过 VGG 网络 8 倍深度的残差网络在 ImageNet 数据集上的分类任务,以及在 COCO 目标检测数据集上取得了 28% 的相对提升。
Dec, 2015
本文通过针对残差网络的架构设计探究在拓扑结构、深度和宽度等方面的影响,设计了一系列 RobustResNets,实验证明该网络在多个数据集和对抗攻击中表现出色,达到了 AutoAttack 鲁棒准确率的最新记录。
Dec, 2022
研究了一种用于图像分类的高度模块化的网络架构,通过增加变换的数量维度,提高其分类准确性。
Nov, 2016
本文探讨增加深度对神经网络性能提升的边际效益递减问题,提出一种更高效的残差网络结构并在图像分类和语义分割等领域实现了显著优越性能。
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。
Apr, 2019
本研究发现在 Inception 网络中加入残差连接有助于加速训练并提高图像识别性能,同时还提出了几种优化的网络结构,实验结果在 ILSVRC 2012 分类任务中取得了显著的性能提升。
Feb, 2016
本文重新评估了使用新的优化和数据增强方法训练的基准 ResNet-50 模型的性能,并以此为基线,在 ImageNet 数据集上获得了 80.4%的 top-1 准确率,同时提供了预训练模型和更好的训练设置。
Oct, 2021