Happy 头像

Happy

2375 声望
公众号:AIWalker 展开

公众号:AIWalker

收起
关注了
0
粉丝数
6177
IP 属地湖北
最新动态
  • 发布了文章 ·
    YOLOv6 v3.0 | 重磅升级!性能超越V8!

    对检测器的Neck部件进行了翻新:引入BiC(Bi-directional Concatenation)提供更精确的定位信息;将SPPF简化为SimCSPSPPF,牺牲较少的速度提升更多的性能。

    摘要图
  • 发布了文章 ·
    BCNetV2 | 适应人工智能任务需求,BCNetV2公平搜索最适AI网络结构

    本文全名Searching for Network Width with Bilaterally Coupled Network, 简称BCNetV2,目前已发表在人工智能领域顶刊 IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI),影响因子 24.3。其前序工作为 BCNet: Searching for Network Width with Bilaterally Coupled Network,简称BCNetV1,该...

    摘要图
  • 发布了文章 ·
    强烈推荐:IQA在图像处理中应用

    今天给各位推荐一篇个人认为“非常有价值的”图像复原方向的论文。 图像复原方向的小伙伴应该都比较清楚,常用的图像质量评价标准与人眼评价标准往往不具备一致性。这就导致了许多具有极高PSNR/SSIM指标的图像复原方法往往其视觉效果并不尽如人意。尽管GAN可以使得所训练的模型生成的图像具有比较好的视觉效果,但是生成的...

    摘要图
  • 发布了文章 ·
    HDRUNet | 深圳先进院董超团队提出带降噪与反量化功能的单帧HDR重建算法

    本文是深圳先进技术研究院董超团队在HDR领域的最新力作,取得了NTIRE2021 单帧HDR竞赛第二成绩,指标仅低0.07dB,但推理速度快116倍。针对HDR重建伴随的高光区域细节重建、低光区域噪声抑制以及正常曝光区域的量化损失、噪声抑制问题,HDRUNet提出了(1) 条件网络提供空域可变调制;(2) 加权网络提供正常曝光区域信息保留...

    摘要图
  • 发布了文章 ·
    PPLCNet:CPU端强悍担当,吊打现有主流轻量型网络,百度提出CPU端的最强轻量型架构

    前有阿里团队针对Nvidia-GPU端加速而设计的高推理速度高性能的GENet,现有百度团队针对Intel-CPU端加速而设计的高推理速度&高性能的LCNet。本文是百度团队结合Intel-CPU端侧推理特性而设计的轻量高性能网络PP-LCNet,所提方案在图像分类任务上取得了比ShuffleNetV2、MobileNetV2、MobileNetV3以及GhostNet更优的延迟-精...

    摘要图
  • 发布了文章 ·
    QARepVGG | 让RepVGG再次伟大,美团提出量化友好方案QARepVGG,即将开源

    性能与推理速度间的均衡在实际应用中非常重要,而结构重参数机制是达成该均衡的一种非常有效的模块。但是,因结构重参数训练得到的模型在面临量化时却出现了严重的性能下降(比如RepVGG-A0经PTQ量化,指标从72.4%下降到了52.2%)。

    摘要图
  • 发布了文章 ·
    刷新多个low-level任务指标,性能超SwinIR与Uformer等

    本文是MPRNet与MIRNet的作者在图像复原领域的又一力作,也是Transformer技术在low-level领域的又一个SOTA。针对Transformer在高分辨率图像复原中存在的难点,提出了两种MDTA与GDFN两种改进,极大程度上缓解了计算量与GPU缓存占用问题。所提方案刷新了多个图像复原任务的SOTA性能。

    摘要图
  • 发布了文章 ·
    DAMO-YOLO | 超越所有YOLO,魔搭社区开源至强YOLO,5行代码即可体验!

    DAMO-YOLO是阿里新推出来的 目标检测框架,兼顾模型速度与精度,其效果超越了目前的一众 YOLO 系列方法,且推理速度更快。DAMO-YOLO 还提供高效的训练策略和便捷易用的部署工具,能帮助开发者快速解决工业落地中的实际问题。

    摘要图
  • 发布了文章 ·
    超简Transformer风格ConvNet,比ConvNeXt还秀,媲美VAN

    本文旨在通过充分利用卷积探索一种更高效的编码空域特征的方式:通过组合ConvNet与ViT的设计理念,本文利用卷积调制操作对自注意力进行了简化,进而构建了一种新的ConvNet架构Conv2Former。ImageNet分类、COCO检测以及ADE20K分割任务上的实验结果表明:所提Conv2Former取得了优于主流ConvNet(如ConvNeXt)、ViT(如Swin T...

    摘要图
  • 发布了文章 ·
    端侧高效骨干RepGhost | 重参数赋能GhostNet,达成端侧超高效骨干

    作者通过结构重参数机制实现特征复用,赋能GhostNet达成硬件友好方案RepGhostNet。ImageNet与COCO基线任务验证了所提方案的有效性与高效性。可参考下图,比MobileOne、MobileNeXt等轻量型架构都要“秀”!速览版请手下!

    摘要图
  • 发布了文章 ·
    注入新机制,扩展DCNv3,探索视觉大模型,达成COCO新纪录64.5mAP!

    相比近年来大尺度ViT取得的巨大成功,基于CNN的大尺度模型仍处于早期阶段。本文提出了一种新的基于CNN的大尺度基础模型InternImage,它通过类似ViT提升参数量与训练数据等方式取得了大幅性能提升。

    摘要图
  • 发布了文章 ·
    PP-YOLOE-R | 手把手教你将PP-YOLOE用于旋转目标检测,顺带达成SOTA性能!

    任意方向目标检测是遥感图像目标检测与自然场景文字检测中最基本的任务。本文提出了一种高效的Anchor-free 旋转目标检测方案PP-YOLOE-R,通过引入大量的有用tricks,所提方案达成如下性能(DOTA1.0):

    摘要图
  • 发布了文章 ·
    重磅干货|低光图像处理方案

    低光图像是夜晚拍照时极为常见的一种现象。不充分的光照会极大的降低图像的视觉质量,细节损失、低对比度不仅导致令人讨厌的主观感受,同时会影诸多计算机视觉系统的性能(这些系统往往为正常光照图像而设计)。

    摘要图
  • 发布了文章 ·
    VapSR | 手把手教你改进PAN,董超团队提出超大感受野注意力超分方案,已开源!

    注意力机制是深度学习领域非常重要的一个研究方向,在图像超分领域也有不少典型的应用案例,比如基于通道注意力构建的RCAN,基于二阶注意力机制构建的SAN,基于像素注意力机制构建的PAN,基于Transformer自注意力机制构建的SwinIR,基于多尺度大核注意力的MAN等。

    摘要图
  • 发布了文章 ·
    SwinFIR | 超分领域的"ConvNeXt",值得一看

    看上图,有没有觉得好熟悉?好像是ConvNeXt?对,也不对。它就是超分领域的那个"X":依托SwinIR而衍生出来的SwinFIR。很明显,上图就给出了本文的研究脉络:

    摘要图
  • 发布了文章 ·
    全新范式 | 沈春华老师团队提出无需解码器的目标检测器DFFT

    ViT正在改变目标检测方法的格局。ViT在检测中的一个自然用途是用基于Transformer的主干替换基于CNN的主干,这直接且有效,但代价是为推理带来了相当大的计算负担。更巧妙的做法是DETR系列,它消除了在目标检测中对许多手工设计组件的需求,但引入了需要超长收敛时间的解码器。因此,基于Transformer的目标检测无法在大规...

    摘要图
  • 发布了文章 ·
    MobileOne: 移动端仅需1ms的高性能骨干,你值得拥有!

    MobileOne(≈MobileNetV1+RepVGG+训练Trick)是由Apple公司提出的一种基于iPhone12优化的超轻量型架构,在ImageNet数据集上以<1ms的速度取得了75.9%的Top1精度。

    摘要图
  • 发布了文章 ·
    近距离接触盲图像超分:退化模型、基线以及性能上限

    退化模型在盲图像超分中起着非常重要的作用,经典的退化模型近聚焦于模糊导致其在现实场景的应用能力有限。BSRGAN与Real-ESRGAN的实用性退化模型为盲图像超分的退化模型研究掀开了新的篇章,极大程度提升了图像超分在现实场景的应用。

    摘要图
  • 发布了文章 ·
    恺明团队新作:MAE"入局"视频表达学习

    前段时间,何恺明团队提出MAE在CV届引起极大轰动,自上传到arxiv之后,各种"YYDS", "Best Paper预定"等,关于MAE的介绍可参考以下两个介绍:

    摘要图
  • 发布了文章 ·
    NTIRE2022-ESR 冠军方案RLFN解析

    近年来,Efficient Super-Resolution(ESR)的研究主要聚焦于参数量与FLOPs的降低,这些方案往往通过复杂的层连接策略进行特征聚合(比如IMDN与RFDN中的特征蒸馏与聚合)。但是,这种复杂的结构不利于高推理速度需求,进而导致这些方案难以部署到资源有限的设备上。

    摘要图
认证与成就
获得 161 次点赞
2020年01月15日 加入
极术微信服务号
关注极术微信号
实时接收点赞提醒和评论通知
安谋科技学堂公众号
关注安谋科技学堂
实时获取安谋科技及 Arm 教学资源
安谋科技招聘公众号
关注安谋科技招聘
实时获取安谋科技中国职位信息