极市直播｜张航：ResNeSt，拆分注意力网络｜ResNet 最强改进版

| 极市线上分享  第60期 |

一直以来，为让大家更好地了解学界业界优秀的论文和工作，极市已邀请了超过60位技术大咖嘉宾，并完成了59期极市线上直播分享，往期分享请前往bbs.cvmart.net/topics/149 或直接阅读原文，也欢迎各位小伙伴自荐或推荐更多多优秀的技术嘉宾到极市进行技术分享，与大家一起交流学习\~\~

在图像处理领域，虽然近年来的新模型层出不穷，但在大多数的下游任务中，例如目标检测、语义分割，依旧还是用ResNet或其变体作为骨干网络。在今年4月中旬，亚马逊团队提出了“ResNet最强改进版”网络——ResNeSt。ResNeSt可以直接应用到已有的主流模型中，显著提高 Mask R-CNN，Cascade R-CNN 等模型的结果（\~3\%）。极市也对此进行过相关报道解读：ResNet最强改进版来了！ResNeSt：Split-Attention Networks。

本次直播，我们重磅邀请到ResNeSt的作者：亚马逊应用科学家张航，为我们深度解读ResNeSt的相关工作。

01 直播信息

时间：2020年6月20日 （周六上午10:00\~11:00

主题：ResNeSt: 拆分注意力网络

02 嘉宾介绍

640-39.png

张航

亚马逊应用科学家，于2017年获得罗格斯大学博士学位，2013年获得东南大学学士学位。研究方向：图像分类，语义分割，半监督学习以及自动化深度学习。

更多信息见个人主页：https://hangzhang.org/

03 关于分享

➤分享背景

分类网络通常作为下游应用的 backbone，但是最近很多分类问题的工作没有保持 VGG，ResNet 等经典网络模块化的设计，导致目标检测等主流应用的研究还在使用 ResNet。所以我们设计了新的 ResNet 变体 ResNeSt，可以直接应用到已有的主流模型中，显著提高 Mask R-CNN，Cascade R-CNN 等模型的结果（~3%）

ResNeSt：Split-Attention Networks
论文地址:
https://arxiv.org/pdf/2004.08955.pdf
代码地址：
https://github.com/zhanghang1989/ResNeSt

➤分享大纲

1. 简要介绍CNN 基础网络的发展历程
2. 近期神经网络结构搜索的发展，以及与下游应用的脱节
3. 拆分注意力：注意力机制与多通道网络的融合
4. ImageNet上的分类表现，以及迁移学习的效果
5. 总结与未来工作展望

直播回放

https://www.bilibili.com/video/BV1PV411k7ch#reply3078900535

PPT下载：https://pan.baidu.com/s/1DjBurikiXK1J1x8Nco8Slw
密码：提示：此内容登录后可查看