dw旅游网站模板,艺术品电商网站开发,嵩明建设局网站,潍坊网站的优化一、概述 FasterNet是CVPR2023的文章#xff0c;通过使用全新的部分卷积PConv#xff0c;更高效的提取空间信息#xff0c;同时削减冗余计算和内存访问#xff0c;效果非常明显。相较于DWConv#xff0c;PConv的速度更快且精度也非常高#xff0c;识别精度基本等同于大型…一、概述 FasterNet是CVPR2023的文章通过使用全新的部分卷积PConv更高效的提取空间信息同时削减冗余计算和内存访问效果非常明显。相较于DWConvPConv的速度更快且精度也非常高识别精度基本等同于大型网络Swin-B但是在GPU上可以提升36%的吞吐量。原文地址和代码地址如下
Run, Dont Walk: Chasing Higher FLOPS for Faster Neural Networkshttps://arxiv.org/abs/2303.03667FasterNethttps://github.com/JierunChen/FasterNet
二、基本结构 1.PConv FasterNet的核心是PConv(Partial Conv)PConv有比常规Conv更低的FLOPs和比DWConv和GConv更高的FLOPs能更好的利用设备的计算能力。 整个FasterNet的网络结构如上图所示。PConv的工作原理是仅将输入特征图的一部分通道用于特征提取其他的通道保持不变(即到通道)使用部分的通道数为。可以认为输入特征图和输出特征图具有相同的通道。而PConv的FLOPS可以表示为 其中和一起组成分离比在时PConv仅有Conv的FLOPS,同时PConv还有更小的内存访问量 2.T型Conv 通过将逐点卷积(PWConv)附加到PConv上使得输入特征图上的有效感受野看起来像一个T型的Conv这种卷积会更加关注中心位置。 3.作为通用骨干网络 使用PConv搭建的FasterNet如上面所示其能以较快的速度处理多种视觉任务。FasterNet具备4个Stage每个Stage之前有一个嵌入层(Embedding步长为4的4x4 Conv)或一个合并层(Mereging步长为2的2x2 Conv)使用哪种间隔与其是否需要下采样有关。 每一个Faster Block的后面跟着两个PWConv层最后统一放置一个全局池化(Global Pool)和一个全连接层(FC)
三、结论 FasterNet的主要优势在于保证一定精度的同时提升运算速度。在对比实验中FasterNet的参数量略大于MobileNet等轻型骨干网络GFLOPS也略高于轻型骨干网络。但网络延迟却更低。
