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

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。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多