基础模型｜ RepVGG：让VGG式卷积神经网络再现辉煌 【论文标题】RepVGG: Making VGG-style ConvNets Great Again 【基础模型】RepVGG：让VGG式卷积神经网络再现辉煌 【论文链接】https://arxiv.org/pdf/2101.03697.pdf 【代码链接】https://github.com/megvii-model/RepVGG 【作者团队】Xiaohan Ding, Xiangyu Zhang, Ningning Ma, Jungong Han, Guiguang Ding, Jian Sun 【机构】清华大学，旷视科技，香港科技大学，阿伯里斯特威斯大学 【发表时间】2021/1/12 【推荐理由】 本文提出了一种新的VGG式卷积神经网络结构，在ImageNet上单模型TOP-1超越80%。 作者提出了一个简单但功能强大的卷积神经网络架构，该架构具有类似于VGG的推理时间主体，该主体仅由3×3卷积和ReLU的堆叠组成，而训练时间模型具有多分支拓扑。训练时间和推理时间架构的这种解耦是通过结构重新参数化技术实现的，因此该模型称为RepVGG。在ImageNet上，RepVGG的top-1准确性达到80％以上，这是单模型首次实现该精度。在NVIDIA 1080Ti GPU上，RepVGG模型的运行速度比ResNet-50快83％，比ResNet-101快101％，具有更高的精度，并且与EfficientNet和RegNet等最新模型相比，显示出良好的精度-速度折中。

内容中包含的图片若涉及版权问题，请及时与我们联系删除