ESPNet系列的核心在于空洞卷积金字塔,每层具有不同的dilation rate,在参数量不增加的情况下,能够融合多尺度特征,相对于深度可分离卷积,深度可分离空洞卷积金字塔性价比更高。另外,HFF的多尺度特征融合方法也很值得借鉴


来源:晓飞的算法github喵绅士笔记 公众号

ESPNet


论文: ESPNet: Efficient Spatial Pyramid of Dilated Convolutions for Semantic Segmentationgithub怎么读

ESPNet/ESPNetV2:空洞卷积金字塔 | 轻量级网络

  • 论文地址:arxiv.org/abs/1803.06…
  • 论文代码:git人体肠道结构图hub.com/sacmehta/ES…

Introduction

  ESPNet是用于语义分割人头攒动的轻量级网络,核心在于ESP模块,该模块包含point-wise卷积和空洞卷积金字塔,分人体肠胃图别用于降低计算复杂度以及重采样各有效笔记本电脑怎么连wifi感受域的特征。ESP模块比其它卷积分解方法(mobilenet/shufflenelementaryet)更高效,ESPNet能在GPU/笔记本/终让天秤倒追的星座端设备上达到112FPS/21FPS/9FPS。

ESP module

ESPNet/ESPNetV2:空洞卷积金字塔 | 轻量级网络

  ESP模块将标准卷积分解成point笔记本电脑开机黑屏没反应怎么办-wis算法的特征e卷积和空洞卷积金字塔(spatial pyramid of dilated convolutions),point-wise卷积将输入映射到低维特征空间,空洞卷积金字塔使用KKnnnt算法稳定币imes n让天秤倒追的星座空洞卷积同时重采样低维特征,每个空洞卷积的dilation rate为2k−12^{k-1}k={1,⋯ ,K}k={1, cdots, K}。这种elementui分解方法能够大量减少ESP模块的参数量和内存,并且保持较大的有效感受域。

  • Width divider K

  对于输入输出维度为MMNN,卷积核大小为人头攒动nnntimes n的标准卷积,需要学习的参数量为n2Melement什么意思中文Nn^2算法的特征MN,有效感受域为n2n^2。超参数KK用来调节ESP模笔记本块的计算复杂度,首先使用point-wise卷积将输入闰土刺猹维度从MM降为NKfrac{N}{让天秤倒追的星座K}(reduce),然后将低维特征分别使用上述的空洞卷积金字塔进行处理(split and transfor乳头刺痛是怎么回事m),最后将K组空洞卷积的输出合并(merge)。ESP模块包含MNK+github下载(nN)2Kfrac{MN}{K}+frac{(nN)^2}{K}参数,有效感受域为[(n−1)2K−1+1]2[(n-1)2^{K-1} + 1]^2,在参数和感受域方面都有一定的提升。

  • Hierarcgithub下载hical feature fusion (HFF) for de-gridding

ESPNet/ESPNetV2:空洞卷积金字塔 | 轻量级网络

  论文发现,尽管空洞卷积金字塔带来更大的感受域,但直接concate输出却会带来奇怪网格纹路,如图2所示。为了解决这个问题,在concelement什么意思中文ate之前先将输出进行层级相加,相对于添加额外的卷积来进行后处理,HFF能够有效地解决网格纹路而不带来过多的计算量。另外,为了保证网络的梯度传递,在ESP模块添加了一条从输入到输出的shortcut连接。

Relationship with other CNN modules

ESPNet/ESPNetV2:空洞卷积金字塔 | 轻量级网络

  论文列举了部分轻量级网络的核心模块进行了对比,可以看到ESP模块在参数量/内存/感受域方面都有很不错的数值。

ESPNet

ESPNet/ESPNetV2:空洞卷积金字塔 | 轻量级网络

  图4为ESPNet的肉跳测吉凶演进过程,ll为特征图大小,相同ll的模块具有相同大小的特征图,红色和绿色模块分别为下采样和上采样模块,一般无说明即2=2人头攒动意思alpha_2=23=8alpha_3=8

Experiments

  这里只列举了部分实验,具体的其它实验可以去看看论文。

ESPNet/ESPNetV2:空洞卷积金字塔 | 轻量级网络

  替换图4d中的ESP模块进行实验对比。

ESPNet/ESPNetV2:空洞卷积金字塔 | 轻量级网络

  与其它语义分割模型进行对比。

Conclusion

  ESPNet是语义分割的轻量级网络,在保证轻量化的同时,针对语义分割的场景进行了核心模块的设计,使用空洞卷积金字塔进行多感受域的特征提取以及参数量的减少,并且使用HFF来巧妙消除网格纹路,十分值得借鉴。

ESPNetV2


论文: ESPNetv2: A Light-weight, Power Efficient, and General Purpose Convolutional Neur算法设计与分析al Network

ESPNet/ESPNetV2:空洞卷积金字塔 | 轻量级网络

  • 论文地址:arxiv.org/abs/1811.11…
  • 论文代码:github.com/sacmehta/ES…

Inelement滑板troductioelement是什么牌子n

  模型轻人头攒动的读音量化共包含3种方法,分别为模型压缩,模型量化以及轻量化elements设计。论文设计了轻量级网络ESPNetv2,主要贡献如下:

  • 通用的轻量化网络结构,能够支持视觉数据以及序列化数据,即能支持视觉任算法初步务和自然算法的特征语言处理任务。
  • 在ESPNet基础上,加入深度可分离空洞卷积进行拓展,相闰土刺猹图片对于ESPNet拥有更好的精度以及github怎么读更少的参数。
  • 从实验来看,ESP算法的特征Netv2在笔记本电脑开不了机多个视觉任务上有较好的准确率和较低的参element是什么牌子数量,任务包括图像分类、语义分割、目标检测。
  • 设计了cyclic learning rate scheduler,比一般的固定学习率的scheduler要好。笔记本电脑

Depth-wise dilated separable convolution

ESPNet/ESPNetV2:空洞卷积金字塔 | 轻量级网络

  假设输入为X∈RWHcXin mathbb{R}^{Wtimes Htimes c},卷积核为X∈Knncc^Xin mathbb{K}^{ntimes ntimes c times hat{c}},输出为Y∈RWHc^Yin mathbb{R}^{Wtimes Htimes hat{c}},标准卷积、分组卷积,深度分离卷积以及深度可分离空洞卷积的elementary翻译参数量和有效感受域如表1所示github喵绅士

EESP uni笔记本电脑什么配置好t

ESPNet/ESPNetV2:空洞卷积金字塔 | 轻量级网络

  论文基于深度可分离空洞卷积以及分组point-wise卷积改进ESP模块,提出了EESP(Extremely Efficient Spat笔记本电脑怎么连wifiial Pyramid)模块。原始的ESP模块结构如图1a所示,论文首先将point-wielementanimationse卷积替换为分组point-wise卷积,然后将计算量较大的空洞卷积替人体肠道结构图换为深度可分离空洞卷积,最后依然使用HFF来消除网格纹路笔记本电脑连不上无线网怎么回事,结构如图1b所示,能够降低Md+n2d2KMdg+(n2+d)dKfrac{Md+n^2d^2K}{frac{Md}{g}+(n^2+d)dK}倍计算复杂度,KK为空洞卷积金字elementary怎么读音塔层数。考虑算法的特征到单独计算KK个point-wise卷积等同于单个分组数为KK的point-wise分组卷积,github怎么下载文件而分组卷积的在实现算法导论上更高效,于是改进为图1c的最终结构。

ESPNet/ESPNetV2:空洞卷积金字塔 | 轻量级网络

  为了更高效地学习多尺度特征,论文提出下采样版本的EESP模块(Strided EESP with shortcut connegithub怎么读ction to a算法n input image),主要进行以下改进:

  • 修改深度可分离空洞卷积为stride=2的版本。
  • 为模块笔记本电脑性价比排行2020原本的shortcut添加平均乳头刺痛是怎么回事池化操作。
  • 将element-wise相加操作替github官网换为c笔记本电脑什么配置好oncate操作,这样能增加输出的特征维度。
  • 为防止随着下采样产生的信息丢失,添加一条连接输入图像的shor笔记本电脑开机黑屏没反应怎么办tcut,该路径使用多个池化操作来使其空间大小与模块输出的github怎么读特征图一致,然后使用两个卷积来提取特征并调整维度,最后进行element-wise相加。

NGitHubetwork architecture

ESPNet/ESPNetV2:空洞卷积金字塔 | 轻量级网络

  ESPNetv2的网络结构如表2所示,ESSP模块的每个卷积后面都接BN层以及PReLU,模块最后RTC的分组卷积的PReLU在element-wise相加后进行,g=K=4g=K=4,其它与ESPNet类似。

Cyclic learning rate scheduler

  在图像分类的训练中,论文设计了循环学习率调度器,在每个周期tt,学习率的计算为:

ESPNet/ESPNetV2:空洞卷积金字塔 | 轻量级网络

maxeta_{max}mineta_{min}分别为最大和最小学习率,TT为循环周期。

ESPNet/ESPNetV2:空洞卷积金字塔 | 轻量级网络

  循环学习率调度器的可视化如图4所示。

Experiments

ESPNet/ESPNetV2:空洞卷积金字塔 | 轻量级网络

  图像分类性能对比。

ESPNet/ESPNetV2:空洞卷积金字塔 | 轻量级网络

  语义分割性能对比。

ESPNet/ESPNetV2:空洞卷积金字塔 | 轻量级网络

  目标检测性能对比。

ESPNet/ESPNetV2:空洞卷积金字塔 | 轻量级网络

  文本生成性能对比。

Conclusion

  ESPNetv2在ESPNet的基础上结elementary翻译合深度分离卷积的设人头攒动意思计方法,进行了进一步的模型轻量化,结合了更丰富的特征融合,模型能够拓展到多种任务中,具有很不错的性能。

Celementary是什么意思ONCLUSION


  ESPNet系列的核心在于空洞卷积金字塔,每层具有不同的dilation rate,在参数量不增加的情况下,能够融合多尺度特征,相对于深度可分离卷积,深度可分离空洞卷积金字塔性价比更高。另外,HFF的多尺度特征融合方法也很值得借鉴。

如果本人头攒动意思文对你有帮助,麻烦点个赞或在看呗~

更多内容请关注 微信公众号【晓飞的算法工程笔记】