08 2020 档案

DGC：真动态分组卷积，可能是解决分组特征阻塞的最好方案 | ECCV 2020 Spotlight
摘要：近期，动态网络在加速推理这方面有很多研究，DGC(Dynamic Group Convolution)将动态网络的思想结合到分组卷积中，使得分组卷积在轻量化的同时能够加强表达能力，整体思路直接清晰，可作为网络设计时的一个不错的选择 来源：晓飞的算法工程笔记 公众号 论文: Dynamic Group 阅读全文
posted @ 2020-08-18 18:58 晓飞的算法工程笔记 阅读(721) 评论(0) 推荐(0) 编辑
S2DNAS：北大提出动态推理网络搜索，加速推理，可转换任意网络 | ECCV 2020 Oral
摘要：S2DNAS最核心的点在于设计了丰富而简洁的搜索空间，从而能够使用常规的NAS方法即可进行动态推理网络的搜索，解决了动态推理网络的设计问题，可进行任意目标网络的转换 来源：晓飞的算法工程笔记 公众号 论文: S2DNAS: Transforming Static CNN Model for Dyna 阅读全文
posted @ 2020-08-17 16:53 晓飞的算法工程笔记 阅读(336) 评论(0) 推荐(0) 编辑
DETR：Facebook提出基于Transformer的目标检测新范式，性能媲美Faster RCNN | ECCV 2020 Oral
摘要：DETR基于标准的Transorfmer结构，性能能够媲美Faster RCNN，而论文整体思想十分简洁，希望能像Faster RCNN为后续的很多研究提供了大致的思路 来源：晓飞的算法工程笔记 公众号 论文: End-to-End Object Detection with Transformer 阅读全文
posted @ 2020-08-03 12:36 晓飞的算法工程笔记 阅读(1036) 评论(0) 推荐(0) 编辑
BorderDet：通过边界特征大幅提升检测准确率，即插即用且速度不慢 | ECCV 2020 Oral
摘要：边界对于定位问题十分重要，BorderDet的核心思想BorderAlign巧妙又有效，将边界特征融入到目标定位预测中，而且能够简单地融入到各种目标检测算法中带来较大的性能提升下。在开源实现中，对BorderAlign进行了高效CUDA实现，不会对耗时带来很大的影响，整个工作十分扎实 来源：晓飞的算 阅读全文
posted @ 2020-08-03 12:32 晓飞的算法工程笔记 阅读(459) 评论(0) 推荐(0) 编辑
Gradient Centralization: 简单的梯度中心化，一行代码加速训练并提升泛化能力 | ECCV 2020 Oral
摘要：梯度中心化GC对权值梯度进行零均值化，能够使得网络的训练更加稳定，并且能提高网络的泛化能力，算法思路简单，论文的理论分析十分充分，能够很好地解释GC的作用原理 来源：晓飞的算法工程笔记 公众号 论文: Gradient Centralization: A New Optimization Techn 阅读全文
posted @ 2020-08-03 12:24 晓飞的算法工程笔记 阅读(548) 评论(0) 推荐(0) 编辑

点击右上角即可分享
微信分享提示