How ConvNeXt Proves Classical AI Models Can Still Beat Transformers (எவ்வாறு ConvNeXt வடிவமைக்கிறார்)

எழுத்தாளர்கள் : , Facebook AI Research (FAIR); UC Berkeley Zhuang Liu Hanzi Mao , Facebook AI Research (FAIR) , Facebook AI Research (FAIR) Chao-Yuan Wu Christoph Feichtenhofer, Facebook இன் AI Research (FAIR) , UC Berkeley Trevor Darrell , Facebook AI Research (FAIR) Saining Xie குறியீடு: https://github.com/facebookresearch/ConvNeXt எழுத்தாளர்கள் : Zhuang Liu , Facebook AI Research (FAIR); UC Berkeley Hanzi Mao , Facebook AI Research (FAIR) Chao-Yuan Wu, Facebook இன் AI Research (FAIR) Christoph Feichtenhofer, Facebook இன் AI Research (FAIR) Trevor Darrell, UC Berkeley படங்கள் Saining Xie, Facebook இன் AI Research (FAIR) குறியீடு: https://github.com/facebookresearch/ConvNeXt abstract செய்திகள் இந்த மாதிரி think different type விளம்பரங்கள் தான் add industriesla இப்போ Hot... இப்போ Hot... இந்த மாதிரி think different type விளம்பரங்கள் தான் add industriesla இப்போ Hot... இந்த மாதிரி think different type விளம்பரங்கள் தான் add industriesla இப்போ Hot... 1) Introduction ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] ], அது 2012 இறுதியில் மட்டுமே நாம் பார்வையிடப்பட்ட அம்சங்கள் அறிகுறிகள் அறிகுறிகள் அறிகுறிகள் அறிகுறிகள் அறிகுறிகள் அறிகுறிகள் அறிகுறிகள் அறிகுறிகள் அறிகுறிகள். 42 அலெக்ஸிட் (AlexNet) ] precipitated the “ImageNet moment” (அதிகப்படியான நேரத்தில்) இந்த மாதிரி think different type விளம்பரங்கள் தான் add industriesla இப்போ Hot... அறிகுறிகள் (Inception) இன்டர்நெட் (X) , ஞாயிற்றுக்கிழமை மொபைல் கேசினோ ( ], EfficientNet [ மழை பெய்யும் ] சரியான, செயல்திறன் மற்றும் விரிவாக்கத்திற்கான பல்வேறு அம்சங்களை கவனித்து, பல பயனுள்ள வடிவமைப்பு அம்சங்களை வலியுறுத்தினார். 40 59 64 68 28 87 36 34 71 54 ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] முகங்கள் ( , பக்தர்களும் , 2010 ஆம் ஆண்டில், பல்வேறு வகையான விஞ்ஞானிகள் ( , , , ] மேலும் ConvNets ஒரு visual recognition system இல் அடிப்படை வடிவமைப்பாளராக இருக்கும் நிலைக்கு உயர்த்தப்பட்டது. 62 43 58 76 19 63 23 24 27 57 ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] இந்த மாதிரி think different type விளம்பரங்கள் தான் add industriesla இப்போ Hot... இந்த மாதிரி think different type விளம்பரங்கள் தான் add industriesla இப்போ Hot... This temple is our Tamilnadu peoples we have all rights it will be reach one bye one ok.we dont won't any one permision.2."உங்களுடன் வந்த அரசியல் கட்சிகள் எல்லாம் இன்னும் கொஞ்ச நாளில் கழண்டிக் கொள்ளும்! e.g 45 ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] இவ்வாறான விளைவுகளை ஏற்படுத்தும் விளைவுகளைத் தவிர்க்கலாம். ஆளை விடுங்கள்.3) Like in some countries such as Dubai, is there a possibility in India too, that there will be no income tax, someday?பதில்: எண்பதுகளில் வருமான வரி ஒழிக்கப்படும் என்ற மாதிரி ஒரு எண்ணம் வந்தது. 55 45 இந்த மாதிரி think different type விளம்பரங்கள் தான் add industriesla இப்போ Hot... Swin மாற்றங்கள் ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] ஐ.ஜி vs இதற்கு முதலில், நாம் ஒரு எரிபொருள் ResNet ( இந்த மாதிரி think different type விளம்பரங்கள் தான் add industriesla இப்போ Hot... எங்கள் விசாரணை ஒரு முக்கியமான கேள்வி மூலம் தலைமறைவாகிறது: ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள். இதன் பின்னணியில், எங்கள் கண்காணிப்பாளர் ஒருவர், "We evaluate ConvNeXts on a variety of vision tasks such as ImageNet classification [ ], COCO மீது Object Detection / Segmentation [ ], and semantic segmentation on ADE20K [ ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள்.அதற்காக science fiction நாவல்கள் எல்லாம் science ஆகாது.Fictionஐ ஓரளவு இரசிக்கலாம். ஐ.ஜி ஐ.ஜி Transformers இன் வடிவமைப்பு முடிவுகள் ConvNets’ performance ஐ எப்படி பாதிக்கின்றன? ஒலிப்பதிவுகள் 17 44 92 புதிய பார்வையாளர்கள் மற்றும் பேச்சுக்கள் சில பொது நம்பிக்கைகளை எதிர்கொள்ள முடியும் மற்றும் மக்கள் கணினி பார்வையில் குழப்பங்கள் அர்த்தத்தை மீண்டும் நினைவு கூர முடியும் என்று நாம் நம்புகிறோம். ஒரு ConvNet மேம்படுத்தல்: ஒரு Roadmap இந்த பகுதியில், நாம் ஒரு ResNet இருந்து ஒரு ConvNet வரை செல்ல ஒரு வழியை வழங்குகிறோம், இது Transformer க்கு ஒரு அம்சத்தைக் கொண்டுள்ளது. நாங்கள் FLOPs பற்றி இரண்டு மாதிரி அளவுகளைக் கருதுகிறோம், ஒன்று ResNet-50 / Swin-T அமைப்பு, FLOPs சுமார் 4*. .*0 × 109. For simplicity, we will present the results with the ResNet-50 / Swin-T complexity models. The conclusions for higher capacity models are consistent and results can be found in Appendix . 5×109 மற்றும் மற்றொரு ResNet-200 / Swin-B அமைப்பு ஆகும். C At a high level, our explorations are directed to investigate and follow different levels of designs from a Swin Transformer while maintaining the network’s simplicity as a standard ConvNet. The roadmap of our exploration is as follows. ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] 2 2.1 அறிவியல் ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] , இந்த மாதிரி think different type விளம்பரங்கள் தான் add industriesla இப்போ Hot... Swin Transformer என்பவர். ].இந்த பயிற்சி ResNets க்கான Original 90 Epochs ல் இருந்து 300 Epochs வரை நீடித்துள்ளது.We use the AdamW optimizer [ இந்த மாதிரி think different type விளம்பரங்கள் தான் add industriesla இப்போ Hot... இன்டர்நெட் ( இன்டர்நெட் ( இன்டர்நெட் (Random Erasing) ], and regularization schemes including Stochastic Depth [ தண்ணீர் குடித்தல் (Smoothing label) ].We use the full set of hyperparameters we can find in Appendix நாம் பயன்படுத்துகிற hyperparameters முழு தொகுப்பு Appendix இல் காணலாம் . By itself, this enhanced training recipe increased the performance of the ResNet-50 model from 76.1% [ ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] 7 81 73 45 46 90 89 14 91 36 69 அ1 1 2.2 மெகா வடிவமைப்பு We now analyze Swin Transformers’ macro network design. Swin Transformers follow ConvNets [ , ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] 28 65 ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] Changing stage compute ratio. அறிகுறிகள், நாம் ResNet-50 இல் (3, 4, 6, 3) இல் இருந்து ஒவ்வொரு அறிகுறிகளின் எண்ணை (3, 3, 9, 3), இது Swin-T இல் FLOPs ஒப்பிடுகிறது இது 78.8% இருந்து 79.4% வரை மாதிரி சரியை அதிகரிக்கிறது. , ], மற்றும் ஒரு சிறந்த வடிவமைப்பு இருக்கும். 53 54 இப்போது நாம் இந்த வடிவமைப்பு வடிவமைப்பைப் பயன்படுத்துவோம். ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] Changing stem to “Patchify”. ஒரு 4×4, step 4 convolutional layer ஐப் பயன்படுத்தி செயல்படுத்தப்பட்ட ஒரு patchify layer மூலம். இதன் காரணமாக, ஒரு ResNet உள்ள தாயை ஒரு எளிய “patchify” layer à la ViT மூலம் மாற்ற முடியும், இது போன்ற செயல்திறனை ஏற்படுத்தும். × “Patchify Stem” ஐ நாம் பயன்படுத்துவோம் (4 4 (இலங்கையில் ஒளிப்பதிவு செய்யப்படவில்லை) 3.3 விவசாயிகள் இந்நிகழ்ச்சியில், நாங்கள் ResNeXt ஐ பயன்படுத்த முயற்சிக்கிறோம் [ ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள்.3) Like in some countries such as Dubai, is there a possibility in India too, that there will be no income tax, someday?பதில்: எண்பதுகளில் வருமான வரி ஒழிக்கப்படும் என்ற மாதிரி ஒரு எண்ணம் வந்தது. 87 In our case we use depthwise convolution, a special case of grouped convolution where the number of groups equals the number of channels. Depthwise conv has been popularized by MobileNet [ இன்ஜினியும் ]. We note that depthwise convolution is similar to the weighted sum operation in self-attention, which operates on a per-channel 34 11 அடிப்படை இந்த மாதிரி think different type விளம்பரங்கள் தான் add industriesla இப்போ Hot... ஐ ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] இப்போது நாம் ResNeXt வடிவமைப்பைப் பயன்படுத்துவோம். 4.2 மாற்றப்பட்ட Bottleneck ஒவ்வொரு Transformer வடிவத்தில் ஒரு முக்கியமான வடிவமைப்பு இது ஒரு மாற்றப்பட்ட bottleneck உருவாக்குகிறது, இந்த மாதிரி think different type விளம்பரங்கள் தான் add industriesla இப்போ Hot... ) ஐ 4 ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள். இதன் பின்னணியில், பல்வேறு விவசாயிகளின் பல்வேறு விவசாயிகளின் எண்ணிக்கை அதிகரித்துள்ளது. , ஞாபகம் 61 70 71 இங்கே நாம் மாற்றப்பட்ட bottleneck வடிவமைப்பு அறிய. (a) to (b) illustrate the configurations. Despite the increased FLOPs for the depthwise convolution layer, this change reduces the whole network FLOPs to 4.6G, due to the significant FLOPs reduction in the downsampling residual blocks’ shortcut 1×1 conv layer. Interestingly, this results in slightly improved performance (80.5% to 80.6%). In the ResNet-200/ Swin-B regime, this step brings even more gain (81.9% to 82.6%) also with reduced FLOPs. 3 இப்போது மாற்றப்பட்ட பானைகளைப் பயன்படுத்துவோம். 2.5 பெரிய அணுகுமுறைகள் In this part of the exploration, we focus on the behavior of large convolutional kernels. One of the most distinguishing aspects of vision Transformers is their non-local self-attention, which enables each layer to have a global receptive field. While large kernel sizes have been used in the past with ConvNets [ , ], gold standard (VGGNet மூலம் பிரபலப்படுத்தப்பட்டது [ ]) சிறிய கார்னல் அளவு (3×3) conv layers stack, which have efficient hardware implementations on modern GPUs [ ].Swin Transformers தனியார் கவனத்தைப் பிளாக் இடையே உள்ள இடம் மீண்டும் உற்பத்தி செய்தாலும், இடம் அளவு குறைந்தது 7×7, ResNe(X)t 3×3 அணுகுமுறையின் அணுகுமுறையை விட பெரிதாக பெரியதாகும். 40 68 65 41 பெரிய அணுகுமுறைகளைப் புரிந்து கொள்வதற்கான ஒரு முன்னேற்றம், deepwise conv layer (Figure 2) இன் நிலைக்கு மேல் செல்லும். (b) to (c)).That is a design decision also evident in Transformers: the MSA block is placed before the MLP layers.As we have an inverted bottleneck block, this is a natural design choice – the complex/inefficient modules (MSA, large-kernel conv) will have fewer channels, while the efficient, dense 1×1 layers will do the heavy lifting.This intermediate step reduces the FLOPs to 4.1G, resulting in a temporary performance degradation to 79.9%. Moving up depthwise conv layer. 3 இத்தகைய திட்டங்கள் அனைத்திற்கும் மேலாக, பெரிய அணுகுமுறையைப் பெறுவதற்கான நன்மை மிகப்பெரியது. 3, 5, 7, 9 மற்றும் 11 ஆகிய பல அணுகுமுறையைப் போன்ற பல அணுகுமுறையைப் பயன்படுத்தி நாம் சோதனை செய்தோம்.இந்த அணுகுமுறையை 79.9% (3×3) இருந்து 80.6% (7×7) வரை அதிகரித்துள்ளது, அதே நேரத்தில் அணுகுமுறையைப் பெறுவதற்கான நன்மைகள் பெரும்பாலான அணுகுமுறையைப் பெறுவதற்கான நன்மைகள் 7×7 அட்டவணைக்கு மேல் அதிகரித்துள்ளன. Increasing the kernel size. × 7 நாம் பயன்படுத்துவோம் ஒவ்வொரு விமானத்திலும் 7 விமானங்கள் உள்ளன. ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] 2.6 மைக்ரோ வடிவமைப்பு இந்த பகுதியில், நாம் ஒரு micro-scale பல வேறுபாடுகளை விசாரணை செய்கிறோம் - இங்கே பெரும்பாலான விசாரணைகள் layer level மூலம் செய்யப்படுகின்றன, செயல்பாடுகள் மற்றும் normalization layers குறித்த தேர்வுகளில் கவனம் செலுத்துகிறது. One discrepancy between NLP and vision architectures is the specifics of which activation functions to use. Numerous activation functions have been developed over time, but the Rectified Linear Unit (ReLU) [ ] is still extensively used in ConvNets due to its simplicity and efficiency. ReLU is also used as an activation function in the original Transformer paper [ ]. The Gaus-sian Error Linear Unit, or GELU [ இந்த மாதிரி think different type விளம்பரங்கள் தான் add industriesla இப்போ Hot... இன்ஸ்டாகிராமில் 2 பேர் பலி எங்கள் ConvNet இல் கூட ReLU ஐ GELU இல் மாற்ற முடியும் என்று கண்டுபிடித்தோம், ஆனால் சரியானது மாற்றப்படவில்லை (80.6%). Replacing ReLU with GELU 49 77 32 18 52 ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள்.அதற்காக science fiction நாவல்கள் எல்லாம் science ஆகாது.Fictionஐ ஓரளவு இரசிக்கலாம். Fewer activation functions. ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] , we eliminate all GELU layers from the residual block except for one between two 1 × 1 layers, replicating the style of a Transformer block.This process improves the result by 0.7% to 81.3%, practically matching the performance of Swin-T. 4 இப்போது ஒவ்வொரு அணுகுமுறையிலும் ஒரே ஒரு GELU செயல்பாடு பயன்படுத்துவோம். இந்த மாதிரி think different type விளம்பரங்கள் தான் add industriesla இப்போ Hot... ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] Fewer normalization layers. ஈழம் பிக்பாஸ் ( இந்த மாதிரி think different type விளம்பரங்கள் தான் add industriesla இப்போ Hot... ].பல முயற்சிகள் நடத்தப்பட்டுள்ளன alternate normalization [ , , இந்த மாதிரி think different type விளம்பரங்கள் தான் add industriesla இப்போ Hot... ] (LN) has been used in Transformers, resulting in good performance across different application scenarios. Substituting BN with LN. 38 84 60 75 83 5 முதன்மை ResNet இல் BN இன் LN ஐ நேரடியாக மாற்றினால் suboptimal performance கிடைக்கும். ]. With all the modifications in network architecture and training techniques, here we revisit the impact of using LN in place of BN. We observe that our ConvNet model does not have any difficulties training with LN; in fact, the performance is slightly better, obtaining an accuracy of 81.5%. 83 இப்போது, நாங்கள் ஒவ்வொரு இடைவெளியில் ஒரு LayerNorm பயன்படுத்துவோம். ResNet இல், 3×3 conv with step 2 (and 1×1 conv with step 2 at the shortcut connection) பயன்படுத்தி, ஒவ்வொரு தொடரின் ஆரம்பத்தில் இடைவெளியில் கீழே விநியோகம் செய்யப்படுகிறது. in Swin Transformers, a separate downsampling layer is added between stages. We explore a similar strategy in which we use 2×2 conv layers with step 2 for spatial downsampling. Separate downsampling layers. surprisingly leads to diverged training. Further investigation shows that, adding normalization layers wherever spatial resolution is changed can help stablize training. These include several LN layers also used in Swin Transformers: one before each downsampling layer, one after the stem, and one after the final global average pooling. We can improve the accuracy to 82.0%, significantly exceeding Swin-T’s 81.3%. நாம் தனிப்பட்ட downsampling layers பயன்படுத்துவோம்.This brings us to our final model, which we have dubbed ConvNeXt. ResNet, Swin, மற்றும் ConvNeXt பிளாக் வடிவமைப்புகளின் ஒரு ஒப்பிடத்தை Figure 4 இல் காணலாம்.A comparison of ResNet-50, Swin-T and ConvNeXt-T’s detailed architecture specifications can be found in Table 9. 4 9 We have finished our first “playthrough” and discovered ConvNeXt, a pure ConvNet, that can outperform the Swin Transformer for ImageNet-1K classification in this compute regime. It is worth noting that மேலும் , எங்கள் Con-vNeXt மாதிரி Swin Transformer போன்ற அதே FLOPs, #params., throughput, மற்றும் நினைவக பயன்பாடுகள் உள்ளன, ஆனால் விண்டோஸ் கவனம் அல்லது Relative Position Biases போன்ற பொருத்தமான தொகுதிகள் தேவையில்லை. Closing remarks. all design choices discussed so far are adapted from vision Transformers. these designs are not novel even in the ConvNet literature — they have all been researched separately, but not collectively, over the last decade. These findings are encouraging but not yet completely convincing — our exploration thus far has been limited to a small scale, but vision Transformers’ scaling behavior is what truly distinguishes them. Additionally, the question of whether a ConvNet can compete with Swin Transformers on downstream tasks such as object detection and semantic segmentation is a central concern for computer vision practitioners. In the next section, we will scale up our ConvNeXt models both in terms of data and model size, and evaluate them on a diverse set of visual recognition tasks. ImageNet இல் Empirical Assessments We construct different ConvNeXt variants, ConvNeXt-T/S/B/L, to be of similar complexities to Swin-T/S/B/L [ ]. ConvNeXt-T/B is the end product of the “modernizing” pro-cedure on ResNet-50/200 regime, respectively. In addition, we build a larger ConvNeXt-XL to further test the scalabil-ity of ConvNeXt. The variants only differ in the number of channels , and the number of blocks in each stage. Following both ResNets and Swin Transformers, the number of channels doubles at each new stage. We summarize the configurations below: 45 C B ConvNeXt-T: = (96*,* 192*,* 384*,* 768), = (3*,* 3*,* 9*,* 3) C B ConvNeXt-S: = (96*,* 192*,* 384*,* 768), = (3*,* 3*,* 27*,* 3) C B ConvNeXt-B: = (128*,* 256*,* 512*,* 1024), = (3*,* 3*,* 27*,* 3) C B ConvNeXt-L: = (192*,* 384*,* 768*,* 1536), = (3*,* 3*,* 27*,* 3) C B C = (256*,* 512*,* 1024*,* 2048), B = (3*,* 3*,* 27*,* 3) 3.1 அமைப்புகள் The ImageNet-1K dataset consists of 1000 object classes with 1.2M training images. We report ImageNet-1K top-1 accuracy on the validation set. We also conduct pre-training on ImageNet-22K, a larger dataset of 21841 classes (a superset of the 1000 ImageNet-1K classes) with ∼14M images for pre-training, and then fine-tune the pre-trained model on ImageNet-1K for evaluation. We summarize our training setups below. More details can be found in Appendix . A We train ConvNeXts for 300 epochs using AdamW [ அதற்கு மேல் நேரம் ஆனால் உடலுக்கு நல்லது இல்லை, உடலுக்கு நல்லது இல்லை, முடிந்த வரை இரவு தூங்கும் முன் cell phone use செய்ய வேண்டாம் . ], Cutmix [ ], RandAugment [ ], and Random Erasing [ ]. We regularize the networks with Stochastic Depth [ ] and Label Smoothing [ இதில் 1 முதல் 6 சதவிகிதம் பேர், Exponential Moving Average (EMA) என அழைக்கப்படுகிறார்கள். ] as we find it alleviates larger models’ overfitting. Training on ImageNet-1K. 46 90 89 14 91 37 69 74 51 We pre-train ConvNeXts on ImageNet-22K for 90 epochs with a warmup of 5 epochs. We do not use EMA. Other settings follow ImageNet-1K. Pre-training on ImageNet-22K. We fine-tune ImageNet-22K pre-trained models on ImageNet-1K for 30 epochs. We use AdamW, a learning rate of 5e-5, cosine learning rate schedule, layer-wise learning rate decay [ , ], இல்லை warmup, ஒரு பட்ஜெட் அளவு 512, மற்றும் எடை இழப்பு 1e-8. முன்பதிவு பயிற்சி, நிரப்ப, மற்றும் சோதனை தீர்மானம் 2242 ஆகும். மேலும், நாம் ImageNet-22K மற்றும் ImageNet-1K முன்பதிவு பயிற்சி மாதிரிகள் இரண்டும் ஒரு பெரிய தீர்மானத்தில் நிரப்பும் 3842. Fine-tuning on ImageNet-1K. 6 12 Compared with ViTs/Swin Transformers, ConvNeXts are simpler to fine-tune at different resolutions, as the network is fully-convolutional and there is no need to adjust the input patch size or interpolate absolute/relative position biases. 3.2. Results Table (upper) shows the result comparison with two recent Transformer variants, DeiT [ ] and Swin Transformers [ ], as well as two ConvNets from architecture search - RegNets [ எளிமையாக செயல்படுகிறது ( ] and EfficientNetsV2 [ ]. ConvNeXt competes favorably with two strong ConvNet baselines (RegNet [ ] and Efficient-Net [ ]) in terms of the accuracy-computation trade-off, as well as the inference throughputs. ConvNeXt also outperforms Swin Transformer of similar complexities sometimes with a substantial margin (e.g. 0.8% for ConvNeXt-T). Without specialized modules such as shifted windows or relative position bias, ConvNeXts also enjoy improved throughput compared to Swin Transformers. ImageNet-1K. 1 73 45 54 71 72 54 71 அலுவலகம் முழுவதும், A highlight from the results is ConvNeXt-B at 3842 : it outperforms Swin-B by 0.6% (85.1% vs. 84.5%), but with 12.5% higher inference throughput (95.7 vs. 85.1 image/s). We note that the FLOPs/throughput advantage of ConvNeXt-B over Swin-B becomes larger when the resolution increases from 2242 to 3842 . Additionally, we observe an improved result of 85.5% when further scaling to ConvNeXt-L. We present results with models fine-tuned from ImageNet-22K pre-training at Table (lower). These experiments are important since a widely held view is that vision Transformers have fewer inductive biases thus can per-form better than ConvNets when pre-trained on a larger scale. Our results demonstrate that properly designed ConvNets are inferior to vision Transformers when pre-trained with large dataset — ConvNeXts still perform on par or better than similarly-sized Swin Transformers, with slightly higher throughput. Additionally, our ConvNeXt-XL model achieves an accuracy of 87.8% — a decent improvement over ConvNeXt-L at 3842, demonstrating that ConvNeXts are scalable architectures. ImageNet-22K. 1 not On ImageNet-1K, EfficientNetV2-L, a searched architecture equipped with advanced modules (such as Squeeze-and-Excitation [ ஆனால், ImageNet-22K முன்பதிவு பயிற்சி மூலம், ConvNeXt EfficientNetV2 மேம்படுத்த முடியும், பெரிய அளவிலான பயிற்சி முக்கியத்தை மேலும் ஆய்வு. 35 In Appendix , we discuss robustness and out-of-domain generalization results for ConvNeXt. B 3.3. Isotropic ConvNeXt . ViT vs In this ablation, we examine if our ConvNeXt block design is generalizable to ViT-style [ ] isotropic architectures which have no downsampling layers and keep the same feature resolutions ( . 14×14) at all depths. We construct isotropic ConvNeXt-S/B/L using the same feature dimensions as ViT-S/B/L (384/768/1024). Depths are set at 18/18/36 to match the number of parameters and FLOPs. The block structure remains the same (Fig. ). We use the supervised training results from DeiT [ இன்டர்நெட் மற்றும் மின்சாரப் பொருட்கள் ] for ViT-L, as they employ improved training procedures over the original ViTs [ ]. ConvNeXt models are trained with the same settings as before, but with longer warmup epochs. Results for ImageNet-1K at 2242 resolution are in Table . We observe ConvNeXt can perform generally on par with ViT, showing that our ConvNeXt block design is competitive when used in non-hierarchical models. 20 ஐ.ஜி 4 73 26 20 2 4. Empirical Evaluation on Downstream Tasks We fine-tune Mask R-CNN [ ] and Cascade Mask R-CNN [ ] on the COCO dataset with ConvNeXt backbones. Following Swin Transformer [ ], we use multi-scale training, AdamW optimizer, and a 3× schedule. Further details and hyperparameter settings can be found in Appendix . Object detection and segmentation on COCO. 27 9 45 A.3 அலுவலகம் shows object detection and instance segmentation results comparing Swin Transformer, ConvNeXt, and traditional ConvNet such as ResNeXt. Across different model complexities, ConvNeXt achieves on-par or better performance than Swin Transformer. When scaled up to bigger models (ConvNeXt-B/L/XL) pre-trained on ImageNet-22K, in many cases ( +1.0 AP) Swin Transformers விட Box and Mask AP என்பதால். 3 ConvNeXt is significantly better ஐ.ஜி We also evaluate ConvNeXt backbones on the ADE20K semantic segmentation task with UperNet [ ]. All model variants are trained for 160K iterations with a batch size of 16. Other experimental settings follow [ ] (see Appendix மேலும் பதிவுகள் ( in table ) , we report validation mIoU with multi-scale testing. ConvNeXt models can achieve competitive performance across different model capacities, further validating the effectiveness of our architecture design. Semantic segmentation on ADE20K. 85 6 A.3 4 Under similar FLOPs, models with depthwise convolutions are known to be slower and consume more memory than ConvNets with only dense convolutions. Remarks on model efficiency. It is natural to ask whether the design of ConvNeXt will render it practically inefficient. As demon-strated throughout the paper, the inference throughputs of ConvNeXts are comparable to or exceed that of Swin Trans-formers. This is true for both classification and other tasks requiring higher-resolution inputs (see Table , for com-parisons of throughput/FPS). Furthermore, we notice that training ConvNeXts requires less memory than training Swin Transformers. For example, training Cascade Mask-RCNN using ConvNeXt-B backbone consumes 17.4GB of peak memory with a per-GPU batch size of 2, while the reference number for Swin-B is 18.5GB. In comparison to vanilla ViT, both ConvNeXt and Swin Transformer exhibit a more favor-able accuracy-FLOPs trade-off due to the local computations. It is worth noting that this improved efficiency is a result of the , and is not directly related to the self-attention mechanism in vision Transformers. 1 3 ConvNet inductive bias 5. Related Work In both the pre- and post-ViT eras, the hybrid model combining convolutions and self-attentions has been actively studied. Prior to ViT, the focus was on augmenting a ConvNet with self-attention/non-local modules [ , , , ] to capture long-range dependencies. The original ViT [ ] first studied a hybrid configuration, and a large body of follow-up works focused on reintroducing convolutional priors to ViT, either in an ex-plicit [ , , , , , ] or implicit [ » வடிவம் Hybrid models. 8 55 66 79 20 15 16 21 82 86 88 45 Han [ ] show that local Transformer attention is equivalent to inhomogeneous dynamic depthwise conv. The MSA block in Swin is then replaced with a dynamic or regular depthwise convolution, achieving comparable performance to Swin. A concurrent work, ConvMixer [ ] demonstrates that, in small-scale settings, depthwise convolution can be used as a promising mixing strategy. ConvMixer uses a smaller patch size to achieve the best results, making the throughput much lower than other baselines. GFNet [ ] adopts Fast Fourier Transform (FFT) for token mixing. FFT is also a form of convolution, but with a global kernel size and circular padding. Unlike many recent Transformer or ConvNet designs, one primary goal of our study is to provide an in-depth look at the process of modernizing a standard ResNet and achieving state-of-the-art performance. Recent convolution-based approaches. அல் 25 4 56 6. Conclusions In the 2020s, vision Transformers, particularly hierarchical ones such as Swin Transformers, began to overtake ConvNets as the favored choice for generic vision backbones. The widely held belief is that vision Transformers are more accurate, efficient, and scalable than ConvNets. We propose ConvNeXts, a pure ConvNet model that can compete favorably with state-of-the-art hierarchical vision Transformers across multiple computer vision benchmarks, while retaining the simplicity and efficiency of standard ConvNets. In some ways, our observations are surprising while our ConvNeXt model itself is not completely new — many design choices have all been examined separately over the last decade, but not collectively. We hope that the new results reported in this study will challenge several widely held views and prompt people to rethink the importance of convolution in computer vision. We thank Kaiming He, Eric Mintun, Xingyi Zhou, Ross Girshick, and Yann LeCun for valuable discussions and feedback. Acknowledgments. Appendix In this Appendix, we provide further experimental details (§ ), robustness evaluation results (§ ), more modernization experiment results (§ ), and a detailed network specification (§ ). We further benchmark model throughput on A100 GPUs (§ ). Finally, we discuss the limitations (§ ) and societal impact (§ ) எங்கள் வேலை A B C D E F G A. Experimental Settings A.1. ImageNet (Pre-) பயிற்சி We provide ConvNeXts’ ImageNet-1K training and ImageNet-22K pre-training settings in Table . The settings are used for our main results in Table (Section ). All ConvNeXt variants use the same setting, except the stochas-tic depth rate is customized for model variants. 5 1 3.2 “Modernize a ConvNet” (பொதுவாக ஒரு ConvNet) ), we also use Table ’s setting for ImageNet-1K, except EMA is disabled, as we find using EMA severely hurts models with BatchNorm layers. 2 5 For isotropic ConvNeXts (Section ), the setting for ImageNet-1K in Table is also adopted, but warmup is ex-tended to 50 epochs, and layer scale is disabled for isotropic ConvNeXt-S/B. The stochastic depth rates are 0.1/0.2/0.5 for isotropic ConvNeXt-S/B/L. 3.3 A A.2. ImageNet Fine-tuning We list the settings for fine-tuning on ImageNet-1K in Table . The fine-tuning starts from the final model weights obtained in pre-training, without using the EMA weights, even if in pre-training EMA is used and EMA accuracy is reported. This is because we do not observe improvement if we fine-tune with the EMA weights (consistent with observa-tions in [ ]). The only exception is ConvNeXt-L pre-trained on ImageNet-1K, where the model accuracy is significantly lower than the EMA accuracy due to overfitting, and we select its best EMA model during pre-training as the starting point for fine-tuning. 6 73 In fine-tuning, we use layer-wise learning rate decay [ , ] with every 3 consecutive blocks forming a group. When the model is fine-tuned at 3842 resolution, we use a crop ratio of 1.0 (i.e., no cropping) during testing following [ , , ], 6 12 2 74 80 instead of 0.875 at 2242. A.3 கீழே உள்ள வேலைகள் For ADE20K and COCO experiments, we follow the training settings used in BEiT [ ] and Swin [ ]. We also use MMDetection [ MMS Segmentation (எதிர்ப்பு) ] toolboxes. We use the final model weights (instead of EMA weights) from ImageNet pre-training as network initializations. 6 45 10 13 We conduct a lightweight sweep for COCO experiments including learning rate {1e-4, 2e-4}, layer-wise learning rate decay [ ] {0.7, 0.8, 0.9, 0.95}, and stochastic depth rate {0.3, 0.4, 0.5, 0.6, 0.7, 0.8}. We fine-tune the ImageNet-22K pre-trained Swin-B/L on COCO using the same sweep. We use the official code and pre-trained model weights [ ஞாபகம் 6 3 The hyperparameters we sweep for ADE20K experiments include learning rate {8e-5, 1e-4}, layer-wise learning rate decay {0.8, 0.9}, and stochastic depth rate {0.3, 0.4, 0.5}. We report validation mIoU results using multi-scale testing. Additional single-scale testing results are in Table . 7 B. Robustness Evaluation Additional robustness evaluation results for ConvNeXt models are presented in Table . We directly test our ImageNet-1K trained/fine-tuned classification models on sev-eral robustness benchmark datasets such as ImageNet-A [ ], ImageNet-R [ ], ImageNet-Sketch [ ] and ImageNet-C/C¯ [ , ] datasets. We report mean corruption error (mCE) for ImageNet-C, corruption error for ImageNet-C¯, and top-1 Accuracy for all other datasets. 8 33 30 78 31 48 ConvNeXt (in particular the large-scale model variants) exhibits promising robustness behaviors, outperforming state-of-the-art robust transformer models [ ] on several benchmarks. With extra ImageNet-22K data, ConvNeXt-XL demonstrates strong domain generalization capabilities ( . achieving 69.3%/68.2%/55.0% accuracy on ImageNet-A/R/Sketch benchmarks, respectively). We note that these ro-bustness evaluation results were acquired without using any specialized modules or additional fine-tuning procedures. 47 e.g C. Modernizing ResNets: detailed results இங்கு நாம் விரிவான tabulated results for the ResNet-50 / Swin-T மற்றும் ResNet-200 / Swin-B திசைகளில் முயற்சிகள். ImageNet-1K top-1 ac-curacies and FLOPs for each step are shown in Table and . ResNet-50 regime experiments are run with 3 ran-dom seeds. mod-ernization 10 11 For ResNet-200, the initial number of blocks at each stage is (3, 24, 36, 3). We change it to Swin-B’s (3, 3, 27, 3) at the step of changing stage ratio. This drastically reduces the FLOPs, so at the same time, we also increase the width from 64 to 84 to keep the FLOPs at a similar level. After the step of adopting depthwise convolutions, we further increase the width to 128 (same as Swin-B’s) as a separate step. The observations on the ResNet-200 regime are mostly consistent with those on ResNet-50 as described in the main paper. One interesting difference is that inverting dimensions brings a larger improvement at ResNet-200 regime than at ResNet-50 regime (+0.79% . +0.14%). The performance gained by increasing kernel size also seems to saturate at kernel size 5 instead of 7. Using fewer normalization layers also has a bigger gain compared with the ResNet-50 regime (+0.46% . +0.14%). vs vs D. Detailed Architectures We present a detailed architecture comparison between ResNet-50, ConvNeXt-T and Swin-T in Table . For differ-ently sized ConvNeXts, only the number of blocks and the number of channels at each stage differ from ConvNeXt-T (see Section for details). ConvNeXts enjoy the simplic-ity of standard ConvNets, but compete favorably with Swin Transformers in visual recognition. 9 3 E. Benchmarking on A100 GPUs Following Swin Transformer [ ], the ImageNet models’ inference throughputs in Table are benchmarked using a V100 GPU, where ConvNeXt is slightly faster in inference than Swin Transformer with a similar number of parameters. We now benchmark them on the more advanced A100 GPUs, which support the TensorFloat32 (TF32) tensor cores. We employ PyTorch [ ] version 1.10 to use the latest “Channel Last” memory layout [ ] for further speedup. 45 1 50 22 We present the results in Table . Swin Transformers and ConvNeXts both achieve faster inference throughput than V100 GPUs, but ConvNeXts’ advantage is now significantly greater, sometimes . This preliminary study shows promising signals that ConvNeXt, employed with standard ConvNet modules and simple in design, could be practically more efficient models on modern hardwares. 12 up to 49% faster F. Limitations We demonstrate ConvNeXt, a pure ConvNet model, can perform as good as a hierarchical vision Transformer on image classification, object detection, instance and semantic segmentation tasks. While our goal is to offer a broad range of evaluation tasks, we recognize computer vision applica-tions are even more diverse. ConvNeXt may be more suited for certain tasks, while Transformers may be more flexible for others. A case in point is multi-modal learning, in which a cross-attention module may be preferable for modeling feature interactions across many modalities. Additionally, Transformers may be more flexible when used for tasks re-quiring discretized, sparse, or structured outputs. We believe the architecture choice should meet the needs of the task at hand while striving for simplicity. G. Societal Impact In the 2020s, research on visual representation learn-ing began to place enormous demands on computing re-sources. While larger models and datasets improve per-formance across the board, they also introduce a slew of challenges. ViT, Swin, and ConvNeXt all perform best with their huge model variants. Investigating those model designs inevitably results in an increase in carbon emissions. One important direction, and a motivation for our paper, is to strive for simplicity — with more sophisticated modules, the network’s design space expands enormously, obscuring critical components that contribute to the performance dif-ference. Additionally, large models and datasets present issues in terms of model robustness and fairness. Further investigation on the robustness behavior of ConvNeXt vs. Transformer will be an interesting research direction. In terms of data, our findings indicate that ConvNeXt models benefit from pre-training on large-scale datasets. While our method makes use of the publicly available ImageNet-22K dataset, individuals may wish to acquire their own data for pre-training. A more circumspect and responsible approach to data selection is required to avoid potential concerns with data biases. Reference செய்திகள் [1] PyTorch Vision Models. . Accessed: 2021-10-01. https://pytorch.org/ வடிவமைப்பு/stable/models.html [2] GitHub repository: Swin transformer. . , 2021. https://github மைக்ரோசாப்ட் / Swin-Transformer [3] GitHub repository: Swin transformer for object detection. , 2021. https://github.com/SwinTransformer/Swin-Transformer-Object-Detection [4] Anonymous. Patches are all you need? , 2021. Openreview [5] Jimmy Lei Ba, Jamie Ryan Kiros, மற்றும் Geoffrey E Hinton. , 2016. arXiv:1607.06450 [6] Hangbo Bao, Li Dong, and Furu Wei. BEiT: BERT pre-training of image transformers. , 2021. அலெக்ஸிங்:2106.08254 [7] Irwan Bello, William Fedus, Xianzhi Du, Ekin Dogus Cubuk, Aravind Srinivas, Tsung-Yi Lin, Jonathon Shlens, and Barret Zoph. Revisiting resnets: Improved training and scaling strategies. , 2021. NeurIPS [8] Irwan Bello, Barret Zoph, Ashish Vaswani, Jonathon Shlens, and Quoc V Le. Attention augmented convolutional networks. In , 2019. ICCV [9] Zhaowei Cai and Nuno Vasconcelos. Cascade R-CNN: Delv-ing into high quality object detection. In , 2018. CVPR [10] Kai Chen, Jiaqi Wang, Jiangmiao Pang, Yuhang Cao, Yu Xiong, Xiaoxiao Li, Shuyang Sun, Wansen Feng, Ziwei Liu, Jiarui Xu, Zheng Zhang, Dazhi Cheng, Chenchen Zhu, Tian-heng Cheng, Qijie Zhao, Buyu Li, Xin Lu, Rui Zhu, Yue Wu, Jifeng Dai, Jingdong Wang, Jianping Shi, Wanli Ouyang, Chen Change Loy, and Dahua Lin. MMDetection: Open mmlab detection toolbox and benchmark. , 2019. arXiv:1906.07155 [11] François Chollet. Xception: Deep learning with depthwise separable convolutions. In , 2017. CVPR [12] Kevin Clark, Minh-Thang Luong, Quoc V Le, and Christo-pher D Manning. ELECTRA: Pre-training text encoders as discriminators rather than generators. In , 2020. ஐபிஎல் [13] MMSegmentation contributors. MMSegmentation: Openmm-lab semantic segmentation toolbox and benchmark. https: ,2020. //github.com/open- mmlab/எம்எம்எம்எம்எம் [14] Ekin D Cubuk, Barret Zoph, Jonathon Shlens, and Quoc V Le. Randaugment: Practical automated data augmentation with a reduced search space. In , 2020. CVPR Workshops [15] Zihang Dai, Hanxiao Liu, Quoc V Le, and Mingxing Tan. Coatnet: Marrying convolution and attention for all data sizes. , 2021. NeurIPS [16] Stéphane d’Ascoli, Hugo Touvron, Matthew Leavitt, Ari Mor-cos, Giulio Biroli, and Levent Sagun. ConViT: Improving vision transformers with soft convolutional inductive biases. , 2021. ICML [17] Jia Deng, Wei Dong, Richard Socher, Li-Jia Li, Kai Li, and Li Fei-Fei. ImageNet: A large-scale hierarchical image database. In 2009 இல் CVPR [18] Jacob Devlin, Ming-Wei Chang, Kenton Lee, and Kristina Toutanova. BERT: Pre-training of deep bidirectional trans-formers for language understanding. In 2019 இல் NAACL [19] Piotr Dollár, Serge Belongie, and Pietro Perona. The fastest pedestrian detector in the west. In 2010 இல் BMVC [20] Alexey Dosovitskiy, Lucas Beyer, Alexander Kolesnikov, Dirk Weissenborn, Xiaohua Zhai, Thomas Unterthiner, Mostafa Dehghani, Matthias Minderer, Georg Heigold, Syl-vain Gelly, Jakob Uszkoreit, and Neil Houlsby. An image is worth 16x16 words: Transformers for image recognition at scale. In , 2021. ICLR [21] Haoqi Fan, Bo Xiong, Karttikeya Mangalam, Yanghao Li, Zhicheng Yan, Jitendra Malik, and Christoph Feichtenhofer. Multiscale vision transformers. , 2021. ICCV [22] Vitaly Fedyunin. Tutorial: Channel last memory format in PyTorch. இறுதித் தேர்தல்: 2021-10-01 https://pytorch.org/tutorials/ intermediate/memory_format_tutorial.html [23] Ross Girshick. Fast R-CNN. In , 2015. ICCV [24] Ross Girshick, Jeff Donahue, Trevor Darrell, மற்றும் Jitendra Malik. Rich feature hierarchies for accurate object detection and semantic segmentation. , 2014. CVPR இல் [25] Qi Han, Zejia Fan, Qi Dai, Lei Sun, Ming-Ming Cheng, Ji-aying Liu, and Jingdong Wang. Demystifying local vision transformer: Sparse connectivity, weight sharing, and dy-namic weight. , 2021. arXiv:2106.04263 [26] Kaiming He, Xinlei Chen, Saining Xie, Yanghao Li, Piotr Dollár, and Ross Girshick. Masked autoencoders are scalable vision learners. , 2021. arXiv:2111.06377 [27] Kaiming He, Georgia Gkioxari, Piotr Dollár, and Ross Gir-shick. Mask R-CNN. In , 2017. ICCV [28] Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. Deep residual learning for image recognition. , 2016. CVPR [29] Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. Identity mappings in deep residual networks. In , 2016. ECCV [30] Dan Hendrycks, Steven Basart, Norman Mu, Saurav Kada-vath, Frank Wang, Evan Dorundo, Rahul Desai, Tyler Zhu, Samyak Parajuli, Mike Guo, et al. Robustness க்கான பல முகங்கள்: விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயுயர்ந்த விலையுயுயர்ந்த விலையுயுயிருயிருயிருயிருயிருயிருயிருயிரு , 2021. ICCV இல் [31] Dan Hendrycks and Thomas Dietterich. Benchmarking neural network robustness to common corruptions and perturbations. In 2018 இல் ICLR [32] Dan Hendrycks மற்றும் Kevin Gimpel. Gaussian error linear units (gelus) என்று அழைக்கப்படுகின்றன. , 2016. arXiv:1606.08415 [33] Dan Hendrycks, Kevin Zhao, Steven Basart, Jacob Steinhardt, and Dawn Song. Natural adversarial examples. , 2021. CVPR இல் [34] Andrew G Howard, Menglong Zhu, Bo Chen, Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco An-dreetto, and Hartwig Adam. MobileNets: Efficient con-volutional neural networks for mobile vision applications. , 2017. arXiv:1704.04861 [35] ஜீன் ஹா, லி ஷன், மற்றும் ஹாங் சூன். ஸ்கிரிப்ட்-யும்-விசாரணை உலைகள். , 2018. CVPR [36] Gao Huang, Zhuang Liu, Laurens van der Maaten, and Kil-ian Q Weinberger. Densely connected convolutional networks. In , 2017. CVPR இல் [37] Gao Huang, Yu Sun, Zhuang Liu, Daniel Sedra, மற்றும் Kilian Q Weinberger. Stochastic நீளமான நீளமான உலைகள். 2016 இல் ECCV [38] Sergey Ioffe. Batch renormalization: Batch-normalized மாடல்களில் mini-batch dependence reduction , 2017. NeurIPS [39] Alexander Kolesnikov, Lucas Beyer, Xiaohua Zhai, Joan Puigcerver, Jessica Yung, Sylvain Gelly, and Neil Houlsby. Big Transfer (BiT): General visual representation learning. In 2020 இல் ECCV [40] Alex Krizhevsky, Ilya Sutskever, and Geoff Hinton. Imagenet classification with deep convolutional neural networks. In 2012 இல் NeurIPS [41] Andrew Lavin and Scott Gray. Fast algorithms for convolutional neural networks. 2016 இல் CVPR [42] Yann LeCun, Bernhard Boser, John S Denker, Donnie Hen-derson, Richard E Howard, Wayne Hubbard, and Lawrence D Jackel. Backpropagation applied to handwritten zip code recognition. 1989 இல் Neural computation [43] Yann LeCun, Léon Bottou, Yoshua Bengio, Patrick Haffner, et al. Gradient-based learning applied to document recogni-tion. , 1998. IEEE வழக்குகள் [44] Tsung-Yi Lin, Michael Maire, Serge Belongie, James Hays, Pietro Perona, Deva Ramanan, Piotr Dollár, and C Lawrence Zitnick. Microsoft COCO: Common objects in context. In . 2014. ECCV [45] Ze Liu, Yutong Lin, Yue Cao, Han Hu, Yixuan Wei, Zheng Zhang, Stephen Lin, and Baining Guo. Swin transformer: Hierarchical vision transformer using shifted windows. 2021. [46] Ilya Loshchilov மற்றும் Frank Hutter. அழுத்தமான எடை இழப்பு சட்டம். 2019 இல் ICLR [47] Xiaofeng Mao, Gege Qi, Yuefeng Chen, Xiaodan Li, Ranjie Duan, Shaokai Ye, Yuan He, and Hui Xue. Towards robust vision transformer. 2021 இல் arXiv முன்பதிவு arXiv:2105.07926 [48] Eric Mintun, Alexander Kirillov, and Saining Xie. On in-teraction between augmentations and corruptions in natural corruption robustness. 2021 இல் NeurIPS [49] Vinod Nair and Geoffrey E Hinton. Rectified linear units improve restricted boltzmann machines. In 2010 இல் ICML இல் Adam Paszke, Sam Gross, Francisco Massa, Adam Lerer, James Bradbury, Gregory Chanan, Trevor Killeen, Zeming Lin, Natalia Gimelshein, Luca Antiga, et al. PyTorch: ஒரு imperative style, high-performance deep learning library. , 2019. NeurIPS [51] Boris T Polyak and Anatoli B Juditsky. Stochastic approximation by averaging. (பொதுமொழி) , 1992. SIAM Journal on Control and Optimization [52] Alec Radford, Jeffrey Wu, Rewon Child, David Luan, Dario Amodei, and Ilya Sutskever. Language models are unsupervised multitask learners. [53] அலெக்சா ரோசோசோவிவ், ஜாக்டன் ஜான்சன், சென்னையில் Xie, Wan-Yen Lo, மற்றும் Piotr Dollár. ஆன்லைன் வடிவமைப்பு இடங்கள் பார்வையாள அறிவு. , 2019. ICCV [54] Ilija Radosavovic, Raj Prateek Kosaraju, Ross Girshick, Kaim-ing He, and Piotr Dollár. Designing network design spaces. In 2020 இல் CVPR [55] Prajit Ramachandran, Niki Parmar, Ashish Vaswani, Irwan Bello, Anselm Levskaya, and Jonathon Shlens. Stand-alone self-attention in vision models. 2019 இல் NeurIPS [56] Yongming Rao, Wenliang Zhao, Zheng Zhu, Jiwen Lu, and Jie Zhou. Global filter networks for image classification. , 2021. ஞாயிறு [57] Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun. Faster R-CNN: Towards real-time object detection with region proposal networks. In , 2015. NeurIPS [58] Henry A Rowley, Shumeet Baluja, and Takeo Kanade. Neural network-based face detection. 1998 இல் பீமன் [59] Olga Russakovsky, Jia Deng, Hao Su, Jonathan Krause, San-jeev Satheesh, Sean Ma, Zhiheng Huang, Andrej Karpathy, Aditya Khosla, Michael Bernstein, Alexander C. Berg, and Li Fei-Fei. ImageNet Large Scale Visual Recognition Challenge. , 2015. IJCV [60] Tim Salimans and Diederik P Kingma. Weight normalization: A simple reparameterization to accelerate training of deep neural networks. 2016 இல் NeurIPS [61] Mark Sandler, Andrew Howard, Menglong Zhu, Andrey Zh-moginov, and Liang-Chieh Chen. Mobilenetv2: Inverted residuals and linear bottlenecks. In 2018 இல் CVPR [62] Pierre Sermanet, David Eigen, Xiang Zhang, Michael Math-ieu, Rob Fergus, and Yann LeCun. Overfeat: Integrated recognition, localization and detection using convolutional networks. In , 2014. ஐபிஎல் [63] Pierre Sermanet, Koray Kavukcuoglu, Soumith Chintala, மற்றும் Yann LeCun. ஆலோசனை இல்லாத பல்வேறு நிலை அம்சங்கள் அறிகுறிகள் அறிகுறிகள். , 2013. CVPR [64] Karen Simonyan and Andrew Zisserman. two-stream convo-lutional networks for action recognition in videos. , 2014. NeurIPS [65] Karen Simonyan and Andrew Zisserman. Very deep convolu-tional networks for large-scale image recognition. In , 2015. ICLR [66] Aravind Srinivas, Tsung-Yi Lin, Niki Parmar, Jonathon Shlens, Pieter Abbeel, and Ashish Vaswani. Bottleneck trans-formers for visual recognition. In , 2021. CVPR [67] Andreas Steiner, Alexander Kolesnikov, Xiaohua Zhai, Ross Wightman, Jakob Uszkoreit, and Lucas Beyer. How to train your vit? data, augmentation, and regularization in vision transformers. , 2021. arXiv முன்பதிவு arXiv:2106.10270 [68] Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, and Andrew Rabinovich. Convolutions மூலம் அதிகமாக செல்லும். 2015 இல் CVPR [69] Christian Szegedy, Vincent Vanhoucke, Sergey Ioffe, Jonathon Shlens, and Zbigniew Wojna. Rethinking the incep-tion architecture for computer vision. In 2016 இல் CVPR இல் [70] Mingxing Tan, Bo Chen, Ruoming Pang, Vijay Vasudevan, Mark Sandler, Andrew Howard, and Quoc V Le. Mnasnet: மொபைல் க்கான அணுகுமுறையைப் பற்றி அறிந்து கொள்ளுங்கள். 2019 இல் CVPR இல் [71] Mingxing Tan and Quoc Le. Efficientnet: Rethinking model scaling for convolutional neural networks. In 2019 இல் ICML [72] Mingxing Tan and Quoc Le. Efficientnetv2: Smaller models and faster training. In 2021 இல் ICML [73] Hugo Touvron, Matthieu Cord, Matthijs Douze, Francisco Massa, Alexandre Sablayrolles, and Hervé Jégou. Training data-efficient image transformers & distillation through atten-tion. 2020 இல் ஆங்கிலம்: 201212877 [74] Hugo Touvron, Matthieu Cord, Alexandre Sablayrolles, Gabriel Synnaeve, and Hervé Jégou. Going deeper with image transformers. , 2021. ICCV இல் [75] Dmitry Ulyanov, Andrea Vedaldi, and Victor Lempitsky. In-stance normalization: வேகமாக styliza-action செய்ய இழந்த பொருள். , 2016. arXiv:1607.08022 [76] Régis Vaillant, Christophe Monrocq, and Yann Le Cun. Orig-inal approach for the localisation of objects in images. 1994 இல் Vision, Image and Signal Processing [77] Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszko-reit, Llion Jones, Aidan N Gomez, Lukasz Kaiser, and Illia Polosukhin. Attention is all you need. In , 2017. NeurIPS [78] Haohan Wang, Songwei Ge, Eric P Xing, and Zachary C Lipton. Learning robust global representations by penalizing local predictive power. , 2019. NeurIPS [79] Xiaolong Wang, Ross Girshick, Abhinav Gupta, and Kaiming He. Non-local neural networks. , 2018. CVPR இல் [80] Ross Wightman. GitHub repository: Pytorch image mod-els. 2019 இல் https://github.com/rwightman/pytorch-image-models [81] Ross Wightman, Hugo Touvron, மற்றும் Hervé Jégou. Resnet திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரு 2021 இல் பகவான் : 10476 [82] Haiping Wu, Bin Xiao, Noel Codella, Mengchen Liu, Xiyang Dai, Lu Yuan, மற்றும் Lei Zhang. 2021 இல் ICCV இல் [83] Yuxin Wu மற்றும் Kaiming He. Group normalization. 2018 இல் ECCV [84] Yuxin Wu and Justin Johnson. Rethinking "batch" in batch-norm. , 2021. அலெக்ஸிங்: 105.07576 [85] Tete Xiao, Yingcheng Liu, Bolei Zhou, Yuning Jiang, and Jian Sun. Unified perceptual parsing for scene understanding. , 2018. ECCV [86] Tete Xiao, Mannat Singh, Eric Mintun, Trevor Darrell, Piotr Dollár, and Ross Girshick. Early convolutions help transformers see better. 2021 இல் ஞாயிறு [87] Saining Xie, Ross Girshick, Piotr Dollár, Zhuowen Tu, and Kaiming He. Aggregated residual transformations for deep neural networks. 2017 இல் CVPR இல் [88] Weijian Xu, Yifan Xu, Tyler Chang, and Zhuowen Tu. Co-scale conv-attentional image transformers. 2021 இல் ICCV இல் [89] Sangdoo Yun, Dongyoon Han, Seong Joon Oh, Sanghyuk Chun, Junsuk Choe, and Youngjoon Yoo. Cutmix: உள்ளடக்கமான அம்சங்களைக் கொண்டு சரியான வடிவமைப்பாளர்களை பயிற்சி செய்வதற்கான Regu-larization மென்பொருள். 2019 இல் ICCV இல் [90] Hongyi Zhang, Moustapha Cisse, Yann N Dauphin, மற்றும் David Lopez-Paz. mixup: அறிகுறிகுறிகுறிகுறிகுறிகுறிகுறிகுறிகுறிகுறிகுறிகுறிகுறிகுறிகுறிகுறிகுறிகுறிகுறிகுறிகள். , 2018. ICLR [91] Zhun Zhong, Liang Zheng, Guoliang Kang, Shaozi Li, மற்றும் Yi Yang. Random erasing data augmentation. 2020 இல் அயோத்தி [92] Bolei Zhou, Hang Zhao, Xavier Puig, Tete Xiao, Sanja Fidler, Adela Barriuso, and Antonio Torralba. semantic understanding of scenes through the ADE20K dataset. 2019 இல் IJCV This paper is under CC by 4.0 Deed (Attribution 4.0 International) license. available on arxiv இந்த பதிவு தான் CC by 4.0 Deed (Attribution 4.0 International) விண்ணப்பத்தின் கீழ். available on arxiv