RT-DTER最新创新改进系列：融合Faster Neural Networks，构建C2f-faster和C3-faster，更高更快更强，助力创新模型有效涨点！
RT-DTER最新创新改进系列：融合Faster Neural Networks，构建C2f-faster和C3-faster，更高更快更强，助力创新模型有效涨点！
购买相关资料后畅享一对一答疑！
畅享超多免费持续更新且可大幅度提升文章档次的纯干货工具！
论文地址戳这里！！！
一、Faster Neural Networks摘要
为了设计快速神经网络，许多工作一直致力于减少浮点运算（FLOP）的数量。 然而，我们观察到，FLOP 的减少并不一定会导致延迟的类似程度的减少。 这主要源于每秒浮点运算 (FLOPS) 效率低下。 为了实现更快的网络，我们重新审视流行的算子，并证明如此低的 FLOPS 主要是由于算子的频繁内存访问，尤其是深度卷积。 因此，我们提出了一种新颖的部分卷积（PConv），通过同时减少冗余计算和内存访问，更有效地提取空间特征。 在我们的 PConv 的基础上，我们进一步提出了 FasterNet，这是一个新的神经网络系列，它在各种设备上比其他神经网络获得更高的运行速度，而不会影响各种视觉任务的准确性。 例如，在 ImageNet1k 上，我们的小型 FasterNet-T0 在 GPU、CPU 和 ARM 处理器上分别比 MobileViT-XXS 快 2.8 倍、3.3 倍和 2.4 倍，同时准确度提高 2.9%。 我们的大型 FasterNet-L 实现了令人印象深刻的 83.5% top-1 准确率，与新兴的 Swin-B 相当，同时 GPU 上的推理吞吐量提高了 36%，并节省了 37% 的 CPU 计算时间。
二、亮点（创新点）
我们的贡献总结如下。
1 我们指出实现更高FLOPS 的重要性不仅仅是简单地减少FLOPs 以实现更快的神经网络。
2 我们引入了一种简单而快速且有效的运算符，称为 PConv，它很有可能取代现有的首选 DWConv。
3 我们推出FasterNet，它在GPU、CPU 和ARM 处理器等各种设备上运行良好且普遍快速。
4 我们对各种任务进行了广泛的实验，并验证了我们的PConv 和FasterNet 的高速性和有效性。
三、 改进教程
3.1 修改YAML文件
3.2 新建.py
3.3 修改tasks.py
四、验证是否成功即可
执行命令
python train.py改完收工！
关注：AI学术叫叫兽
从此走上科研快速路
遥遥领先同行！！！！
写在最后
学术因方向、个人实验和写作能力以及具体创新内容的不同而无法做到一通百通，关注UP：Ai学术叫叫兽
在所有B站资料中留下联系方式以便在科研之余为家人们答疑解惑，本up主获得过国奖，发表多篇SCI，擅长目标检测领域，拥有多项竞赛经历，拥有软件著作权，核心期刊等经历。
因为经历过所以更懂小白的痛苦！
因为经历过所以更具有指向性的指导！
祝所有科研工作者都能够在自己的领域上更上一层楼！