旷视研究院 头像

旷视研究院

55 声望
他还没有填写个人简介
关注了
0
粉丝数
3
最新动态
  • 发布了文章 ·
    旷视研究院提出MetaPruning:基于元学习和AutoML的模型压缩新方法

    本文提出一种用于通道剪裁的元学习方法——MetaPruning,其核心是最前沿的AutoML 算法,旨在打破传统通道剪裁需人工设定每层剪裁比例,再算法迭代决定裁剪哪些通道的过程,直接搜索最优的已剪裁网络各层通道数。它的主要算法是通过学习一个元网络 PruningNet,为不同的剪裁结构生成权重,极大程度加速最优剪裁网络的搜索过...

    摘要图
  • 发布了文章 ·
    R TALK | 旷视孙剑:如何打造云、端、芯上的视觉计算

    对全场景物理世界赋予智能是 AIoT 时代一个重要特征,为此,如何打造从云到边再到端的高效、联动的计算能力就成为了关键。本文为旷视首席科学家、研究院院长孙剑在2018年全球人工智能与机器人峰会(CCF-GAIR)带来的”云、端、芯上的视觉计算”的精彩Talk,干货满满,特别再次与大家进行分享。

    摘要图
  • 发布了文章 ·
    旷视研究院提出ThunderNet:ARM端上实时的通用物体检测器

    旷视研究院提出一个轻量级的两阶段目标检测器,称之为 ThunderNet,其设计针对的是当前最优的两阶段检测器中的最耗计算量的结构。相较于其他的一阶段轻量级检测器,ThunderNet 表现优异,在 PASCAL 和 COCO 上,其计算成本下降了 40%。另外,不借助额外和附加,ThunderNet 在 ARM 设备上的运行速度高达 24.1 fps。据知,...

    摘要图
  • 发布了文章 ·
    NeurIPS 2019 | DetNAS:首个搜索物体检测Backbone的方法(已开源)

    物体检测器通常使用图像分类网络的Backbone,由于和检测任务存在一定差异,这些Backbone往往不是最优的。本文中,旷视研究院提出DetNAS,这是首个用于设计更好的物体检测器Backbone的神经网络搜索方法;由DetNAS搜索出的框架在COCO上的性能超越了ResNet-50与ResNet-101,且模型计算量更低。本文已收录于神经信息处理系统...

    摘要图
  • 发布了文章 ·
    CrowdHuman+Double Anchor:强强联合,推动密集行人检测技术落地

    本文围绕着“密集场景人体检测”这一问题而展开,介绍了CrowdHuman数据集,并讨论了适用于密集场景,并可以实现人-头绑定的检测技术Double Anchor。

    摘要图
认证与成就
获得 11 次点赞
1月8日 加入
qrcode
关注微信服务号
实时接收新的回答提醒和评论通知