当前位置: 首页 > news >正文

YOLOv8改进 ,YOLOv8改进主干网络为华为的轻量化架构GhostNetV1


在这里插入图片描述


摘要

在这里插入图片描述
摘要:将卷积神经网络(CNN)部署在嵌入式设备上是困难的,因为嵌入式设备的内存和计算资源有限。特征图的冗余是成功的 CNN 的一个重要特征,但在神经网络架构设计中很少被研究。作者提出了一种新颖的 Ghost 模块,用于通过廉价操作生成更多的特征图。基于一组内在特征图,我们应用一系列成本低廉的线性变换来生成许多 ghost 特征图,这些特征图可以充分揭示内在特征的信息。提出的 Ghost 模块可以作为即插即用组件来升级现有的卷积神经网络。Ghost bottlenecks 设计用于堆叠 Ghost 模块,从而可以轻松建立轻量级的 GhostNet。在基准测试上进行的实验表明,提出的 Ghost 模块是基线模型中卷积层的一个令人印象深刻的替代品,并且我们的 GhostNet 可以在 ImageNet 分类数据集上以类似的计算成本实现比 MobileNetV3 更高的识别性能。


理论介绍

作者提出的Ghost模块与现有的高效卷积方案有主要区别。与广泛使用1×1逐点卷积的单元相比,Ghost模块中的主要卷积可以有定制的核大小。i现有方法采用逐点卷积处理跨通道特征,然后采用深度卷积处理空间信息。相比之下,Ghost模块采用普通卷积首先生成少量内在特征图,然后利用廉价的线性操作增强特征并增加通道。 以前的高效架构中处理每个特征图的操作限于深度卷积或移位操作,而Ghost模块中的线性操作可以有很大的多样性。此外,在Ghost模块中,恒等映射与线性变换并行,以保留内在特征图。卷积层和提出的 Ghost 模块输出相同数量特征图的示意图如下所示:
在这里插入图片描述
Ghost 模块工作原理: Ghost 模块通过先生成较少的内在特征图,再通过一系列廉价的线性变换生成幽灵特征图(ghost feature maps)。具体来说,给定输入X,卷积层的输出通常为:


http://www.mrgr.cn/news/40488.html

相关文章:

  • Vortex GPGPU的github流程跑通与功能模块波形探索
  • 【艾思科蓝】Vue.js组件开发实战:从零构建高效可复用组件
  • 基于SpringBoot+Vue的学生宿舍管理系统
  • 2024/10/1 操作系统大题专训之文件
  • Sqoop实战-- Sqoop的Job任务、增量导入、数据格式转换与Lombok的使用指南
  • 基于C++和Python的进程线程CPU使用率监控工具
  • 谈谈英国论文写作复合句式的运用
  • 一种支持4种多模态RAG技术的引擎:VARAG
  • 简单线性回归分析-基于R语言
  • 使用ffmpeg合并视频和音频
  • 社区医疗健康管理:SpringBoot技术应用
  • 【C++】BitSet和Bloom_Filter
  • 电脑扬声器无法识别,没有声音处理
  • 什么是极大似然估计
  • 还在为PDF编辑头疼?2024年推荐4款高级PDF编辑器让你秒变高手!
  • 【无人机设计与技术】自抗扰控制(ADRC)的建模与仿真研究
  • 【初阶数据结构】排序——交换排序
  • 视频理解新篇章:Mamba模型的探索与应用
  • 欧几里得8月模考总结
  • 【高性能内存池】page cache内存回收过程 8