这篇文章旨在使用卷积结构设计一种更加有效的空间交互模块。作者们通过递归门控策略设计了递归门控卷积操作，从而在特征内部构建了更高阶的空间交互过程。这种结构可以作者为一种即插即用的模块来提升视觉Transformer或者卷积模型。除了构建backbone，也可以用于解码器来提升密集预测任务的性能。
-
stem使用4x4且步长为4的跨步卷积+LN实现。
-
stage里的下采样通过LN+2x2且步长为2的跨步卷积实现。
-
使用了layer scale；
-
使用了stochastic depth；
-
分类头使用Global Average Pooling+LN+Linear实现。
Arxiv 2207 | HorNet: Efficient High-Order Spatial Interactions with Recursive Gated Convolutions
这篇文章旨在使用卷积结构设计一种更加有效的空间交互模块。作者们通过递归门控策略设计了递归门控卷积操作，从而在特征内部构建了更高阶的空间交互过程。这种结构可以作者为一种即插即用的模块来提升视觉Transformer或者卷积模型。除了构建backbone，也可以用于解码器来提升密集预测任务的性能。...
Hornet
-dock
er
提供
Hornet
的dock
er
化，
Hornet
是最初为构建的实时引擎。
您可以在其找到有关
Hornet
的所有信息。
该映像基于，并由以控制Redis和
Hornet
的进程。
通过以下方式构建此dock
er
file：
$ dock
er
build -t
hornet
.
通过以下方式运行构建的大WaSP映像：
$ dock
er
run --name some-
hornet
-p 8187:8187 -d
hornet
您还可以从获取图像：
$ dock
er
run --name some-
hornet
-p 8187:8187 -d nectify/
hornet
从您的应用程序连接
Hornet
容器：
$ dock
er
run --name some-app --link some-
hornet
:
hornet
-
HorNet
: E
ffi
cient
High
-
Order
Spatial
Interaction
s with Re
cursive
Gated
Convolution
s ECCV2022
视觉
Transform
er
s 的最新进展在基于点积 self-attention 的新空间建模机制驱动的各种任务中取得了巨大成功。在本文中，我们展示了视觉
Transform
er
背后的关键要素，即输入自适应、远程和高阶空间交互，也可以通过基于卷积的框架有效实现。我们提出了递归门控卷积（gnConv），它通过门控卷
""" Effective Squeeze-Excitation From `Cent
er
Mask : Real-Time Anchor-Free Instance Segmentation` - https://
arxiv
.org/abs/1911.06667 """
这篇论文提出了一种名为“Effective Squeeze-Excitation”的技术，用于增强
神经网络
的特征表示能力。这种技术基于“Squeeze-and-Excitation（SE）”模块，该模块旨在对输入特征进行适当的缩放和重新加权，以使网络能够更好地学习和表示有用的特征。
SE模块包括两个步骤。首先，通过应用全局池化来获得输入特征的全局信息。然后，使用两个完全连接的层来学习如何对这些信息进行重新加权。这些重新加权的特征被称为“Squeeze-Excitation（SE）”特征，并被用于下一层的特征表示。
本文的“Effective Squeeze-Excitation”技术通过增加并行的卷积分支来改进SE模块的性能。这些卷积分支不仅可以对原始特征进行卷积操作，还可以对SE特征进行卷积。结果，在一系列视觉任务中，使用“Effective Squeeze-Excitation”技术的模型都比使用SE模块的模型表现更好。
