DCNv4

DCNv4

为视觉应用设计的高效算子,通过优化空间聚合和内存访问

DCNv4是一种为视觉应用设计的高效算子。通过优化空间聚合和内存访问,它解决了DCNv3的局限性。DCNv4在图像分类、分割和生成等任务中表现优异,收敛和处理速度显著提升,前向速度提高3倍以上。其卓越的性能和效率使DCNv4成为未来视觉模型的潜力基础构建块。

DCNv4可变形卷积计算机视觉深度学习神经网络Github开源项目

DCNv4

新闻

  • 2024年1月15日: 🚀 与InternImage相比,采用DCNv4的新型FlashInternImage具有更快的推理速度、更快的收敛速度和更好的性能!!!
  • 2024年1月15日: 🚀 "DCNv4"发布了!

简介

我们推出了可变形卷积v4(DCNv4),这是一种高效且有效的算子,专为广泛的视觉应用而设计。DCNv4通过两个关键改进解决了其前身DCNv3的局限性:1. 移除空间聚合中的softmax归一化,以增强其动态特性和表达能力;2. 优化内存访问以最小化冗余操作,从而提高速度。这些改进使得DCNv4相比DCNv3具有显著更快的收敛速度,处理速度也大幅提升,DCNv4的前向速度提高了三倍以上。

DCNv4在各种任务中表现出色,包括图像分类、实例和语义分割,尤其是图像生成。当集成到潜在扩散模型中的U-Net等生成模型时,DCNv4优于其基准模型,突显了其增强生成模型的可能性。

在实际应用中,将InternImage模型中的DCNv3替换为DCNv4以创建FlashInternImage,在不做进一步修改的情况下,速度提升最高可达80%,并进一步提高了性能。

DCNv4在速度和效率方面的进步,加上其在各种视觉任务中的强大表现,展示了其作为未来视觉模型基础构建块的潜力。

已发布模型

<details> <summary> ImageNet图像分类 </summary> <br> <div>
名称预训练分辨率acc@1参数量下载
FlashInternImage-TImageNet-1K224x22483.630Mckpt | cfg
FlashInternImage-SImageNet-1K224x22484.450Mckpt | cfg
FlashInternImage-BImageNet-1K224x22484.997Mckpt | cfg
FlashInternImage-LImageNet-22K384x38488.1223Mckpt | cfg
</div> </details> <details> <summary> COCO目标检测和实例分割 </summary> <br> <div>
骨干网络方法训练策略边界框mAP掩码mAP配置下载
FlashInternImage-TMask-RCNN1x48.043.1configckpt | log
FlashInternImage-TMask-RCNN3x49.544.0configckpt | log
FlashInternImage-SMask-RCNN1x49.244.0configckpt | log
FlashInternImage-SMask-RCNN3x50.544.9configckpt | log
FlashInternImage-BMask-RCNN1x50.144.5configckpt | log
FlashInternImage-BMask-RCNN3x50.645.4configckpt | log
主干网络方法训练计划边界框mAP掩码mAP配置下载
:------------::---------::---------::-----::------::---::---:
FlashInternImage-LCascade Mask R-CNN1x55.648.2配置模型 | 日志
FlashInternImage-LCascade Mask R-CNN3x56.748.9配置模型
主干网络方法学习率类型预训练训练计划边界框mAP配置下载
FlashInternImage-TDINO分层学习率ImageNet-1K1x54.7配置模型 | 日志
FlashInternImage-SDINO分层学习率ImageNet-1K1x55.3配置模型 | 日志
FlashInternImage-BDINO分层学习率ImageNet-1K1x56.0配置模型 | 日志
FlashInternImage-LDINO0.1倍主干网络学习率ImageNet-22K1x58.8配置模型 | 日志
</div> </details> <details> <summary> ADE20K语义分割 </summary> <br> <div>
主干网络方法分辨率mIoU (单尺度/多尺度)配置下载
FlashInternImage-TUperNet512x51249.3 / 50.3配置模型 | 日志
FlashInternImage-SUperNet512x51250.6 / 51.6配置模型 | 日志
FlashInternImage-BUperNet512x51252.0 / 52.6配置模型 | 日志
FlashInternImage-LUperNet640x64055.6 / 56.0配置模型 | 日志
主干网络方法分辨率mIoU (单尺度)配置下载
:--------------::----------::----------::-----------::-----------::----------:
FlashInternImage-TMask2Former512x51251.2配置文件模型权重 | 日志
FlashInternImage-SMask2Former640x64052.6配置文件模型权重 | 日志
FlashInternImage-BMask2Former640x64053.4配置文件模型权重 | 日志
FlashInternImage-LMask2Former640x64056.7配置文件模型权重 | 日志
</div> </details>

引用

如果本工作对您的研究有帮助,请考虑引用以下BibTeX条目。

@article{xiong2024efficient, title={高效可变形卷积网络:重新思考视觉应用中的动态和稀疏算子}, author={熊宇文 and 李志琦 and 陈云涛 and 王峰 and 朱熙洲 and 罗佳鹏 and 王文海 and 陆通 and 李鸿升 and 乔宇 and 路乐为 and 周杰 and 戴继峰}, journal={arXiv预印本 arXiv:2401.06197}, year={2024} } @article{wang2022internimage, title={InternImage: 探索具有可变形卷积的大规模视觉基础模型}, author={王文海 and 戴继峰 and 陈哲 and 黄振航 and 李志琦 and 朱熙洲 and 胡晓伟 and 陆通 and 路乐为 and 李鸿升 and 其他}, journal={arXiv预印本 arXiv:2211.05778}, year={2022} } @inproceedings{zhu2022uni, title={Uni-perceiver: 预训练统一架构用于零样本和少样本任务的通用感知}, author={朱熙洲 and 朱静国 and 李浩 and 吴晓石 and 李鸿升 and 王晓华 and 戴继峰}, booktitle={CVPR}, pages={16804--16815}, year={2022} } @article{zhu2022uni, title={Uni-perceiver-moe: 利用条件专家混合学习稀疏通用模型}, author={朱静国 and 朱熙洲 and 王文海 and 王晓华 and 李鸿升 and 王晓刚 and 戴继峰}, journal={arXiv预印本 arXiv:2206.04674}, year={2022} } @article{li2022uni, title={Uni-Perceiver v2: 用于大规模视觉和视觉语言任务的通用模型}, author={李浩 and 朱静国 and 姜晓虎 and 朱熙洲 and 李鸿升 and 袁春 and 王晓华 and 乔宇 and 王晓刚 and 王文海 and 其他}, journal={arXiv预印本 arXiv:2211.09808}, year={2022} } @article{yang2022bevformer, title={BEVFormer v2: 通过透视监督将现代图像骨干网络适配到鸟瞰图识别}, author={杨晨宇 and 陈云涛 and 田浩 and 陶晨鑫 and 朱熙洲 and 张兆翔 and 黄高 and 李宏阳 and 乔宇 and 路乐为 and 其他}, journal={arXiv预印本 arXiv:2211.10439}, year={2022} } @article{su2022towards, title={走向全能预训练:通过最大化多模态互信息}, author={苏伟杰 and 朱熙洲 and 陶晨鑫 and 路乐为 and 李斌 and 黄高 and 乔宇 and 王晓刚 and 周杰 and 戴继峰}, journal={arXiv预印本 arXiv:2211.09807}, year={2022} } @inproceedings{li2022bevformer, title={BEVFormer: 通过时空变换器从多摄像头图像学习鸟瞰图表示}, author={李志琦 and 王文海 and 李宏阳 and 谢恩泽 and 司马重豪 and 陆通 and 乔宇 and 戴继峰}, booktitle={ECCV}, pages={1--18}, year={2022}, }

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多