深度学习论文: To Perceive or Not to Perceive: Lightweight Stacked Hourglass Network及其PyTorch实现
发布时间
阅读量：
阅读量
深度学习论文: 是否感知？轻量级堆叠小时glass网络及其Python实现
PDF: https://arxiv.org/pdf/2302.04815.pdf
PyTorch代码: https://github.com/shanglianlm0525/CvPytorch
PyTorch代码: https://github.com/shanglianlm0525/PyTorch-Networks
1 概述
本文对堆叠的沙漏网络（Stacked Hourglass Network）进行了结构和非结构修改，并经过优化后得到一个既准确又具有较高计算效率的模型。
2 Design Choices
2-1 Depthwise Separable Convolutions
2-2 Dilated Convolution
2-3 Ghost Bottleneck
2-4 DiCE Bottleneck
2-5 Shuffle Bottleneck
2-6 Perceptual Loss
2-7 Residual connections
采用带Concat机制的残差链接替代带add机制的残差链接操作后，在执行逐点卷积操作的基础上以获得所需通道数并将其命名为「ResConcat」。此外还包括从沙漏瓶颈层特征图（颈部）到下一个瓶颈层之间的残差链接，并将其命名为「NarrowRes」。
3 Experiments and Results
找到的最好的模型结构如下：
全部评论 (0)
还没有任何评论哟~