残差网络——day54 Res2Net_A_New_Multi-Scale_Backbone_Architecture

1 INTRODUCTION

我们提出的方法是在更粒度的水平上参考多个可用的感受野

Fig. 2，用一组较小的过滤器组代替源码来的3*3过滤器，它们以分层残差状样式连接，以增加输出特征可以表示的尺度数。
具体来说：

1. 第一步：把输入特征图分成几个组；
2. 第二步：过滤器组首先提取输入特征图的特征，输出当前特征后将该特征送入下一组过滤器；
3. 第三步：下一组过滤器重复第二步的操作；
4. 最后，将所有组的特征图串联并发送到另一组1*1过滤器，以完全融合信息。

Note：Res2Net module, can be easily plugged into many existing CNN architectures ，beacuse its approach is orthogonal to existing method.

2 RELATED WORK

3 RES2NET

3.1 Res2Net Module

Fig. 2b.所示

3.2 Integration with Modern Modules

Fig. 3，SE块通过显式建模通道之间的相互依赖性来自适应地重新校准通道上的特征响应

• 在Res2Net模块的剩余连接之前添加SE块。我们的Res2Net模块可以从SE块的集成中受益。

以下章节仅用于了解实验步骤而不作具体分析

4 EXPERIMENTS

4.1 Implementation Details

4.2 ImageNet（Dataset I）

4.2.1 Performance Gain

4.2.2 Going Deeperwith Res2Net

4.3 CIFAR（Dataset II）

4.4 Scale Variation

4.5 Class Activation Mapping

4.6 Object Detection

4.7 Semantic Segmentation

4.8 Instance Segmentation

4.9 Salient Object Detection

4.10 Key-Points Estimation

5 CONCLUSION AND FUTURE WORK

ACKNOWLEDGMENTS

REFERENCES