Momenta详解ImageNet2017夺冠架构SENet(7)
2023-05-04 来源:飞速影视
另外,为了验证 SE 模块的泛化能力,我们也在除 ResNet 以外的结构上进行了实验。从上表可以看出,将 SE 模块嵌入到 ResNeXt、BN-Inception、Inception-ResNet-v2 上均获得了不菲的增益效果。由此看出,SE 的增益效果不仅仅局限于某些特殊的网络结构,它具有很强的泛化性。
![Momenta详解ImageNet2017夺冠架构SENet](http://fs.qqfile.top/re/aHR0cHM6Ly90MTAuYmFpZHUuY29tL2l0L2ZtPTE3MyZhbXA7Zm10PWF1dG8mYW1wO2g9MzE2JmFtcDtpbWdfSlBFRz0mYW1wO3M9MDgwNDdDMzIwRjU4NUNDODUyRkQzNUNBMDAwMEEwQjEmYW1wO3U9MjIzODQyOTEzMiwzNDY3MjIzODQ2JmFtcDt3PTY0MA2)
上图展示的是 SE 嵌入在 ResNeXt-50 和 Inception-ResNet-v2 的训练过程对比。
![Momenta详解ImageNet2017夺冠架构SENet](/images/loading.gif)
在上表中我们列出了一些最新的在 ImageNet 分类上的网络的结果。其中我们的 SENet 实质上是一个 SE-ResNeXt-152(64x4d),在 ResNeXt-152 上嵌入 SE 模块,并做了一些其他修改和训练优化上的小技巧,这些我们会在后续公开的论文中进行详细介绍。可以看出 SENet 获得了迄今为止在 single-crop 上最好的性能。
![Momenta详解ImageNet2017夺冠架构SENet](/images/loading.gif)
本站仅为学习交流之用,所有视频和图片均来自互联网收集而来,版权归原创者所有,本网站只提供web页面服务,并不提供资源存储,也不参与录制、上传
若本站收录的节目无意侵犯了贵司版权,请发邮件(我们会在3个工作日内删除侵权内容,谢谢。)
www.fs94.org-飞速影视 粤ICP备74369512号