首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

无需额外数据,首次实现ImageNet 87.1% 精度,颜水成团队开源VOLO

他们在配有 8 块英伟达 V100 或 A100 GPU 的单个节点机上训练除 VOLO-D5 之外所有的 VOLO 模型,VOLO-D5 需要在双节点机上训练。...V0LO-D1 到 VOLO-D5 模型的设置如下表 3 所示: 主要结果 下表 4 中,研究者将 VOLO 模型与 SOTA 模型进行了比较,所有的结果都基于纯(pure)ImageNet-1k 数据集...具体来说,该工作在图像分类和分割中验证了所提方法有效性,下图为 VOLO 在 ImageNet 上的实验结果,可以看出,仅凭 27M 参数,VOLO-D1 就可以实现 85.2% 的准确率,远超以往所有模型...消融实验 研究者将 VOLO-D1 模型扩展至 4 个不同的模型,即 VOLO-D2 到 VOLO-D5,具体的规格如上表 2 所示,相应的结果如下表 7 所示。...结果表明,当增加训练模型大小和测试分辨率时,VOLO 模型都可以实现性能提升。 研究者还发现,VOLO 模型中 Outlooker 的数量对分类性能产生影响。

31730

打破Transformer宿命,新秀VOLO开源!横扫CV多项记录,首个超越87%的模型

可是,就在今天,Transformer领域的新秀VOLO打破了Transformer无法打败最优CNN的宿命,成为了ImageNet数据上首个无需额外数据达到87.1%的模型;与此同时,VOLO在下游语义分割任上也创新了新记录...为解决该问题,本文提出了一种新颖的outlook注意力并构建了一种广义架构Vision Outlooker(VOLO)。...比如VOLO-D3可以在此前最佳指标的基础上提升0.8%且参数量更少;而VOLO-D5则可以进一步将模型性能提升到78%。...上表对比了模型缩放的性能影响,从中可以看到: 模型缩放有助于提升模型性能,比如VOLO-D1到VOLO-D2可以带来1%的性能提升,VOLO-D5可以带来额外的1%提升; 更高分辨率的微调同样可以带来性能提升...无需任务额外训练数据,VOLO成为ImageNet分类任务上首个达到87.1%top1精度的模型。

56620

打破Transformer宿命,新秀VOLO开源!横扫CV多项记录,首个超越87%的模型

可是,就在今天,Transformer领域的新秀VOLO打破了Transformer无法打败最优CNN的宿命,成为了ImageNet数据上首个无需额外数据达到87.1%的模型;与此同时,VOLO在下游语义分割任上也创新了新记录...为解决该问题,本文提出了一种新颖的outlook注意力并构建了一种广义架构Vision Outlooker(VOLO)。...比如VOLO-D3可以在此前最佳指标的基础上提升0.8%且参数量更少;而VOLO-D5则可以进一步将模型性能提升到78%。...上表对比了模型缩放的性能影响,从中可以看到: 模型缩放有助于提升模型性能,比如VOLO-D1到VOLO-D2可以带来1%的性能提升,VOLO-D5可以带来额外的1%提升; 更高分辨率的微调同样可以带来性能提升...无需任务额外训练数据,VOLO成为ImageNet分类任务上首个达到87.1%top1精度的模型。

42010

VOLO屠榜CV任务,无需额外数据,首个超越87%的模型

可是,就在今天,Transformer领域的新秀VOLO打破了Transformer无法打败最优CNN的宿命,成为了ImageNet数据上首个无需额外数据达到87.1%的模型;与此同时,VOLO在下游语义分割任上也创新了新记录...我们基于VOLO提出了五个版本: VOLO: VOLO-D1, VOLO-D2,VOLO-D3, VOLO-D4, and VOLO-D5. 具体详细结构及配置信息如表2,表3所示: ? ?...如上表所示,在不同的模型尺寸水平上,我们提出的VOLO取得了比当前最先进的模型更佳的性能。...比如VOLO-D3可以在此前最佳指标的基础上提升0.8%且参数量更少;而VOLO-D5则可以进一步将模型性能提升到78%。...上表对比了模型缩放的性能影响,从中可以看到: 模型缩放有助于提升模型性能,比如VOLO-D1到VOLO-D2可以带来1%的性能提升,VOLO-D5可以带来额外的1%提升; 更高分辨率的微调同样可以带来性能提升

78520

颜水成团队开源VOLO:无需额外数据,首次在ImageNet上达到87.1%的精度

引入outlook注意力 这个基于自注意力的图像分类模型VOLO,出自颜水成领导的Sea AI Lab团队与新加坡国立大学。 ?...为了解决这个问题,他们引入了一种新的outlook注意力,并提出了一个简单而通用的架构,称为Vision outlooker ,也就是VOLO。...实验结果 研究人员配置了五个不同大小的VOLO变体,各参数如下: ? 如下表所示,在不同的模型尺寸水平上,他们提出的VOLO都取得了比当前SOTA模型更佳的性能。 ?...例如,只有26.6万参数量的VOLO-D1,在输入图片分辨率为224时,它在ImageNet上已经可以达到84.2%的top-1精度。...最后,消融实验发现: 增加模型尺寸有助于提升模型性能,例如VOLO-D1到VOLO-D2可以带来1%的性能提升; 更高分辨率的微调同样也可以带来约1%的性能提升。 作者介绍 ?

46720

扫码

添加站长 进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

    运营活动

    活动名称
    广告关闭
    领券