Михаил Лесков

На изображении выше (справа внизу на рисунке 4) показаны два типа блока X. Блок X основан на стандартном остаточном узком месте с групповой сверткой (см. Статью Агрегированные остаточные преобразования для глубоких нейронных сетей). Каждый блок X состоит из a 1x1 conv, a 3x3 group convи a1x1 conv, где 1x1 convизменяется ширина канала. (b) Вариант второго шага(s=2). Процесс проектирования пространства проектирования в основном основан на построении основной части сети. Пространство проектирования AnyNetX имеет 16 степеней свободы , поскольку каждая сеть состоит из 4 этапов , и каждый этап имеет 4 параметра: количество блоков di, ширина блокаwi, соотношение узких biмест и групп gi...

Вместо того, чтобы сосредоточиться на проектировании отдельных экземпляров сети( например, NAS), в этой статье разрабатываются пространства проектирования сети, которые параметризуют совокупности сетей, что означает изучение структуры сети (например, ширины, глубины, групп и т. Д.), Предполагая стандартные семейства моделей, включая VGG, ResNet и ResNeXt. Наконец, он получит низкоразмерное пространство проектирования, состоящее из простых “обычных” сетей — RegNet. Андрей также объяснил причину, по которой Tesla AI использует RegNet: RegNet Просто в документе сначала разрабатывается начальное, неограниченное...

шея: Шея находится между позвоночником и головой, она используется для извлечения некоторых более сложных функций.(например, пирамидальная сеть feautre(FPN), BiFPN) Существует общая структура для обнаружения объектов: Input → backbone → neck → head → Output Первоначально в задаче обнаружения объектов мы использовали некоторые сети, созданные вручную, такие как AlexNet[13], VGG[26], ResNet[8], DenseNet[11]..., в качестве магистрали. Позже, по мере увеличения объема данных и глубины сети, исследователи начали рассматривать возможность использования полуавтоматического проектирования сетей и автоматизированного проектирования сетей вместо ручного проектирования сетей...