Advertisement

GhostNet.pytorch: [CVPR 2020] GhostNet 架构

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:None


简介:
GhostNet.pytorch 是一个基于PyTorch实现的轻量级深度学习模型,用于图像分类。该代码实现了在CVPR 2020上提出的GhostNet架构,以高效生成特征表示著称。 此仓库仅提供GhostNet的演示代码。该存储库包含了CVPR 2020论文《廉价运营带来的更多功能》在PyTorch中的实现版本。 要求:已验证该代码可在Python3以及PyTorch 1.0+环境下运行。 用法示例: ```python import torch from ghost_net import ghost_net model = ghost_net(width_mult=1.0) input = torch.randn(32, 3, 224, 224) y = model(input) print(y) ``` GhostNet简介:《廉价运营带来的更多功能》。CVPR2020。 韩开,王云和,田琦,郭建元,徐春景,徐昌提出的方法在性能上超越了其他SOTA轻量级CNN模型(如MobileNetV)。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • GhostNet.pytorch: [CVPR 2020] GhostNet
    优质
    GhostNet.pytorch 是一个基于PyTorch实现的轻量级深度学习模型,用于图像分类。该代码实现了在CVPR 2020上提出的GhostNet架构,以高效生成特征表示著称。 此仓库仅提供GhostNet的演示代码。该存储库包含了CVPR 2020论文《廉价运营带来的更多功能》在PyTorch中的实现版本。 要求:已验证该代码可在Python3以及PyTorch 1.0+环境下运行。 用法示例: ```python import torch from ghost_net import ghost_net model = ghost_net(width_mult=1.0) input = torch.randn(32, 3, 224, 224) y = model(input) print(y) ``` GhostNet简介:《廉价运营带来的更多功能》。CVPR2020。 韩开,王云和,田琦,郭建元,徐春景,徐昌提出的方法在性能上超越了其他SOTA轻量级CNN模型(如MobileNetV)。
  • GhostNet.pytorch: ImageNet上73.6%的GhostNet 1.0x预训练模型
    优质
    GhostNet.pytorch是一款在ImageNet数据集上达到73.6%准确率的轻量级深度学习模型,基于GhostNet 1.0x架构并已进行预训练,适用于图像分类任务。 GhostNet的PyTorch实现如原论文所述重现了GhostNet架构,并在ILSVRC2012基准上进行了预训练。该模型具有5.181百万参数,计算复杂度为140.77 MFLOPs,在前1名和前5名准确率分别为73.636% 和 91.228%。 ```python from ghostnet import ghostnet net = ghostnet() net.load_state_dict(torch.load(pretrained/ghostnet_1x-9c40f966.pth)) ``` 训练策略如下:在8个GPU上使用批处理大小为1024的设置,初始学习率为0.4,权重衰减设为0.00004,辍学率(dropout rate)设定为0.2。BN层中的权重不进行衰减。 我们保持上述设置不变,并采用不同的训练技术进行了消融和扩展实验。在预热阶段,采用了特定的学习策略以优化模型的初始性能表现。
  • CVPR 2021 论文与代码解读: CVPR 2021/2020/2019...
    优质
    本系列文章深度解析CVPR会议近年(2019-2021)精选论文,并附有相关代码,旨在帮助研究者快速掌握前沿技术与方法。 推荐阅读:CVPR 2021/CVPR 2020/CVPR 2019/CVPR 2018/CVPR 2017的论文解读汇总,包括Papers、Codes、Project和Paper reading等部分。以下是论文分类汇总: - CVPR 2021最新论文分类汇总(持续更新) - CVPR 2020论文下载/代码/解读 - CVPR 2019全部论下载及开源代码的获取方式,共包含1294篇链接。 - CVPR 2019论文分方向盘点 - CVPR 2019论文直播分享回放:点云分割、目标检测和单目标跟踪等主题。
  • 2020年ARMV8手册.zip
    优质
    本资料为《2020年ARMV8架构手册》,详尽介绍了ARMv8架构的技术规范和设计原则,适用于嵌入式系统、移动设备及服务器等领域的开发人员。 2020年发布的Arm® Architecture Reference Manual Armv8针对的是Armv8-A架构配置。
  • GhostNet检测测试
    优质
    GhostNet检测测试旨在评估一种轻量级深度学习模型——GhostNet在图像识别任务中的性能表现,通过多种指标衡量其效率与准确性。 1070 640*480 batch 8 创建了一个GhostNet模型,该模型定义如下: GhostNet: 更多来自低成本操作的特征 作者:Kai Han, Yunhe Wang, Qi Tian, Jianyuan Guo, Chunjing Xu, Chang Xu. 参考文献:https://arxiv.org/abs/1911.11907 该模型进行了修改。
  • GAN压缩:[CVPR 2020] Gan压缩技术
    优质
    本文提出了一种基于生成对抗网络(GAN)的模型压缩方法,在保证图像质量的同时显著减小了模型尺寸和加速了推理速度,适用于资源受限的设备。该研究发表于CVPR 2020。 GAN压缩是一种多模式无监督的图像到图像翻译方法!请遵循相关指南来测试预训练模型,并按照指导来训练自己的模型。 我们发布了一种改进的方法,通过更简单的过程产生与GAN压缩相当的结果! 介绍GAN压缩:这是一种用于条件生成对抗网络(GAN)的通用压缩方法。我们的技术在保持视觉质量的同时,将pix2pix、CycleGAN和GauGAN等常用条件GAN模型的计算需求减少了9到21倍。 该方法适用于多种生成器架构、学习目标以及成对与不成对的数据设置,并且已经在CVPR 2020上进行了展示。演示版概述: - GAN压缩框架:给定一个预训练好的教师生成器G,我们提取了一个较小的“全民所有”学生生成器G,其中包含了通过权重分配的所有可能通道号,在每个步骤中进行调整和优化。
  • CVPR 2020】CelebA_HQ StarGan V2预训练模型100000_nets_ema.ckpt
    优质
    本预训练模型为基于CelebA-HQ数据集,通过StarGAN V2算法生成的高质量人脸图像,适用于人脸识别与变换任务。 【CVPR 2020】StarGan V2预训练模型celeba_hq/100000_nets_ema.ckpt
  • CVPR 2020】StarGan V2的预训练模型wing.ckpt
    优质
    该简介对应的是CVPR 2020上提出的StarGAN V2的预训练模型wing.ckpt,用于执行多种图像到图像的转换任务。 【CVPR 2020】StarGan V2预训练模型wing.ckpt
  • Panoptic-DeepLab:基于PyTorch的CVPR 2020论文重现
    优质
    《Panoptic-DeepLab》是CVPR 2020的一篇重要论文,该代码库提供了基于PyTorch框架下的模型实现,用于全景分割任务的研究与应用。 Panoptic-DeepLab 是一种最先进的自下而上的全景分割方法,在CVPR 2020上发布。它的目标是为输入图像中的每个像素分配语义标签(例如人、狗、猫)和实例标签(对于属于物体类别的像素,使用ID如1、2、3等)。这是基于Detectron2的CVPR 2020论文的一个PyTorch重新实现版本。 此外,在此仓库中现在还支持利用DeepLabV3和DeepLabV3+进行分割模型的操作。在消息[2021/01/25],我们发现COCO实验中的旧配置文件存在错误(对于COCO,需要将MAX_SIZE_TRAIN从640更改为960)。现在我们已经复制了COCO的结果(35.5 PQ)。 在消息[2020/12/17]中,支持COCO数据集。而在消息[2020/12/11],Detectron2版本的Panoptic-DeepLab现在支持DepthwiseSeparableConv2d。
  • Reviving Old Photos: Bringing Them Back to Life (CVPR 2020 Oral Presentation)
    优质
    本研究在CVPR 2020会议上以口头报告形式展示,提出了一种创新方法,用于修复和增强旧照片的质量,使其焕发新生。 旧照片还原(官方PyTorch实施)通过深潜空间转换技术恢复旧照片,在CVPR 2020上进行了口头报告,并正在接受PAMI的审查。 该项目旨在演示研究思路,因此代码未从产品角度进行优化。我们将会花时间解决一些常见问题,例如内存不足和分辨率受限的问题,但不会在工程方面涉及太多内容,如提高推理速度或使用FastAPI部署等。