量子位▲| 已开源，李沐团队提出最强ResNet改进版，多项任务达到SOTA
十三发自凹非寺量子位报道|公众号QbitAI
在图像处理领域中 ， 近年来的新模型可谓是层出不穷 。
但在大多数的下游任务中 ， 例如目标检测、语义分割 ， 依旧还是用ResNet或其变体作为骨干网络 。
而最近 ， 亚马逊李沐团队便提出了堪称“ResNet最强改进版”的网络——ResNeSt 。
从名字中不难看出 ， 是引入了模块化的分散注意力模块 ， 可以让注意力跨特征图(feature-map)组 。
文章图片
那么 ， ResNeSt到底有多强？
ResNeSt-50在224×224的ImageNet上 ， 实现了81.13%的TOP-1精度 ， 比之前最好的ResNet变体精度高出1%以上 。 简单地用ResNeSt-50替换ResNet-50骨干 ， 可以让MS-COCO上的FasterRCNNNN的mAP ， 从39.25%提高到42.33%；ADE20K上的DeeplabV3的mIoU ， 从42.1%提高到45.1% 。这些改进对下游任务有很大的帮助 ， 包括目标检测、实例分割和语义分割 。
就连李沐也发朋友圈 ， 呼吁小伙伴们“一键升级” 。
文章图片
更让人惊喜的是 ， 这项工作已开源！
最强ResNet变体：多项任务取得“大满贯”现在 ， 我们具体来看下ResNeSt在具体任务中的表现 。
图像分类第一个实验研究了ResNeSt在ImageNet2012数据集上的图像分类性能 。
通过将ResNeSt和其他50层和101层配置、类似复杂度的ResNet变体作比较 ， TOP-1精度达到了最高 ， 如下表所示 。
文章图片
还与不同大小的CNN模型做了比较 。
【量子位▲| 已开源，李沐团队提出最强ResNet改进版，多项任务达到SOTA】采用了256×256的ResNeSt-200,和320×320的ResNeSt-269 。 对于输入大小大于256的模型 ， 采用双三次上采样策略(Bicubicupsamplingstrategy) 。
从下表不难看出 ， 与基于NAS发现的模型相比 ， ResNeSt具有更好的准确性和延迟权衡 。
文章图片
目标检测接下来 ， 是在目标检测上的性能 。
所有的模型 ， 都是在COCO-2017训练集上训练的118k图像 ， 并在COCO-2017验证集上用5k图像进行评估 。
使用FPN、同步批处理归一化(synchronizedbatchnormalization)和图像尺度增强 ， 来训练所有模型 。
为了方便比较 ， 简单地用ResNeSt替换了vanillaResNet骨干 ， 同时使用默认设置的超参数 。
文章图片
与使用标准ResNet的基线相比 ， ResNeSt的骨干在Faster-RCNN和CascadeRCNN上 ， 都能将平均精度提高3%左右 。
这就说明ResNeSt的骨干网络具有良好的泛化能力 ， 并且可以很容易地迁移到下游任务中 。
值得注意的是 ， ResNeSt50在Faster-RCNN和Cascade-RCNN检测模型上都优于ResNet101 ， 而且使用的参数明显较少 。
实例分割在实例分割任务中 ， 以ResNeSt-50和ResNeSt-101为骨干 ， 对Mask-RCNN和Cascade-Mask-RCNN模型进行评估 。
实验结果如下表所示 ， 对于Mask-RCNNN来说 ， ResNeSt50的box/mask性能增益分别为2.85%/2.09% ， 而ResNeSt101则表现出了更好的提升 ， 达到了4.03%/3.14% 。
对于Cascade-Mask-RCNN ， 切换到ResNeSt50或ResNeSt101所产生的增益分别为3.13%/2.36%或3.51%/3.04% 。
推荐阅读
- 可可酱75吋量子点电视让孩子健康成长，如何才能健康不伤眼的看电视？TCL
- 中国智能制造网量子通信布局起风了！，多国已未雨绸缪
- 「量子力学」爱因斯坦也束手无策，困扰人类上百年的难题，如今终于有了答案
- 与单观经欧盟瞄准“量子互联网”附相关概念股
- 广东圆梦园孵化城【园区动态】广东省重点领域研发计划量子科学与工程重大专项专家组莅临园区考察指导
- 万微科技2016开源聊天机器人 Blender，更具“人情味”，Facebook
- 「化石」转生将可能是一件真事，量子力学的最新发现，科学家也被震撼
- cnBeta微软研究人员攻克了两个已有20年历史的量子计算问题
- JEECG开源社区Boot 2.2 首个里程碑版本发布，低代码平台，Jeecg
- 星火方块| 碳纳米管荧光量子效率研究取得进展，进展