0
点赞
收藏
分享

微信扫一扫

学习Python的第三天

在这里插入图片描述

论文名称:《Learning to Upsample by Learning to Sample》

论文地址:https://arxiv.org/abs/2308.15085

代码地址:https://github.com/tiny-smart/dysample

我们提出了 DySample,一种超轻量级且有效的动态上采样器。尽管最近基于内核的动态上采样器(如 CARAFE,FADE 和 SAPA)取得了令人印象深刻的性能提升,但它们引入了大量工作量,主要是由于耗时的动态卷积和用于生成动态内核的附加子网络。此外,FADE 和 SAPA 对高分辨率特征引导的需求在一定程度上限制了它们的应用场景。为了解决这些问题,我们绕过动态卷积,从点采样的角度制定上采样,这更具资源效率,并且可以很容易地使用 PyTorch 中的标准内置函数实现。我们首先展示了一个朴素的设计,然后演示了如何逐步加强其上采样行为,直至我们的新上采样器 DySample。与以前基于内核的动态上采样器相比,DySample 不需要定制的 CUDA 包,参数、FLOPs、GPU 内存和延迟都要少得多。 除了轻量级特性外,DySample 在包括语义分割、目标检测、实例分割、全景分割和单目深度估计在内的

举报

相关推荐

【python学习第三天】

Python学习笔记第三天

第三天学习

学习Android的第三天

JavaScript学习的第三天

java学习第三天

打卡学习第三天

0 条评论