1.如何评价cvpr2021的论文接收结果?

如何评价cvpr2021的论文接收结果?

       本届CVPR论文接收结果令人满意，实习期间参与的两个项目——RepVGG和Diverse Branch Block（简称ACNet v2）均成功入选。RepVGG是一款基于VGG架构的极简设计，摒弃了分支结构，仅采用3x3卷积层，蚂蚁课堂源码该设计在ImageNet数据集上达到.5%的imgui源码github准确率，与当前顶尖架构如RegNet相比，性能有明显提升。项目源代码和模型已开放，GitHub上收获+星。

       Diverse Branch Block设计了一种通用的构建模块，通过将平均池化、1x1卷积和3x3卷积连续连接的2020试看源码块（Inception-like block）替换传统卷积，大幅提升了模型的微观结构复杂度。独特之处在于，该复杂块在训练结束后可转换为一个单一卷积层，保证了模型最终大小和速度与使用普通卷积的移动报表源码模型一致。

       两个项目共通之处在于均采用结构重参数化技术，即一组参数可对应多个结构，通过等价转换实现结构间的等效替换。结构重参数化的趋势突破源码应用包括ACNet（ICCV-）、ResRep（去年的剪枝方法）等。这种技术不仅能够提高模型性能，实现无损压缩，还简化了架构设计。

       总结而言，重参数化技术展现出巨大的潜力，既能暴力提升性能，又能实现无损压缩，简化架构设计。未来有望挖掘更多应用。