文件名称：Reproducibilty-Challenge-ECANET:针对2020年再现性挑战的ECANets非正式实施（CVPR 2020）
文件大小：78.83MB
文件格式：ZIP
更新时间：2024-06-08 21:49:26
deep-neural-networks research computer-vision deep-learning reproducible-research
高效的渠道关注度： 2020年再现性挑战 CVPR 2020 使用来自MS-COCO 2017数据集测试集的样本来绘制ECANet-50-Mask-RCNN的边界框和分割图。 介绍 SE和ECA注意机制的结构比较。 有效通道注意（ECA）是流行的挤压和激发注意机制的简单有效扩展，该机制基于本地跨通道交互（CCI）的基本概念。 ECANet不再像SENets那样使用具有降低比率瓶颈的全连接层，而是在下采样的GAP C x 1 x 1张量上使用自适应共享（跨通道）一维卷积内核。 ECA是等效的即插即用模块，类似于SE注意机制，可以在深度卷积神经网络的块中的任何位置添加。 由于共享1D内核，因此ECA的参数开销和FLOP成本显着低于SENet，同时由于其构建自适应内核的能力而获得了相似或更高的性能。 这项工作在2020年IEEE / CVF计算机视觉和模式识别（CVPR）会议上被接受。
【文件预览】：
Reproducibilty-Challenge-ECANET-main
----paras_flops.py(2KB)
----requirements.txt(35B)
----models()
--------eca_mobilenetv2.py(4KB)
--------att_models.py(6KB)
--------__init__.py(56B)
--------eca_module.py(1KB)
--------eca_resnet.py(7KB)
----Weight_correction.ipynb(1KB)
----README.md(15KB)
----inference_demo.ipynb(3KB)
----light_main.py(15KB)
----ECA_Comp.ipynb(2KB)
----figures()
--------eca_module.jpg(242KB)
--------seg_ep.gif(1.67MB)
--------sweeps_run.png(420KB)
--------acc.png(172KB)
--------seg.png(75.75MB)
--------loss.png(190KB)
----main.py(14KB)
----logs()
--------20210102_160817.log(1.7MB)
--------20210106_012255.log(2.11MB)
----sweep()
--------sweep.yaml(221B)
--------ECA_Sweep.ipynb(2KB)
--------resnet.py(4KB)
--------train_cifar.py(7KB)
----train_cifar.py(8KB)