論文の概要: E-ConvNeXt: A Lightweight and Efficient ConvNeXt Variant with Cross-Stage Partial Connections

• arxiv url: http://arxiv.org/abs/2508.20955v1
• Date: Thu, 28 Aug 2025 16:17:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.50316
• Title: E-ConvNeXt: A Lightweight and Efficient ConvNeXt Variant with Cross-Stage Partial Connections
• Title（参考訳）: E-ConvNeXt: クロスステージ部分接続による軽量で効率的なConvNeXtバリアント
• Authors: Fang Wang, Huitao Li, Wenhan Chao, Zheng Zhuo, Yiran Ji, Chang Peng, Yupeng Sun,
• Abstract要約: E-ConvNeXtは複雑さの異なる構成で高精度な性能を維持することができる。 E-ConvNeXt-miniは0.9GFLOPsで78.3%、E-ConvNeXt-smallは3.1GFLOPsで81.9%に達する。
• 参考スコア（独自算出の注目度）: 4.207343875949465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many high-performance networks were not designed with lightweight application scenarios in mind from the outset, which has greatly restricted their scope of application. This paper takes ConvNeXt as the research object and significantly reduces the parameter scale and network complexity of ConvNeXt by integrating the Cross Stage Partial Connections mechanism and a series of optimized designs. The new network is named E-ConvNeXt, which can maintain high accuracy performance under different complexity configurations. The three core innovations of E-ConvNeXt are : (1) integrating the Cross Stage Partial Network (CSPNet) with ConvNeXt and adjusting the network structure, which reduces the model's network complexity by up to 80%; (2) Optimizing the Stem and Block structures to enhance the model's feature expression capability and operational efficiency; (3) Replacing Layer Scale with channel attention. Experimental validation on ImageNet classification demonstrates E-ConvNeXt's superior accuracy-efficiency balance: E-ConvNeXt-mini reaches 78.3% Top-1 accuracy at 0.9GFLOPs. E-ConvNeXt-small reaches 81.9% Top-1 accuracy at 3.1GFLOPs. Transfer learning tests on object detection tasks further confirm its generalization capability.
• Abstract（参考訳）: 多くの高性能ネットワークは、当初から軽量なアプリケーションシナリオを念頭に設計されており、アプリケーションの範囲を大幅に制限している。 本稿では,ConvNeXtを研究対象とし,クロスステージ部分接続機構と一連の最適化設計を統合することにより,ConvNeXtのパラメータスケールとネットワーク複雑性を著しく低減する。 新しいネットワークはE-ConvNeXtと名付けられ、複雑さの異なる構成で高精度な性能を維持することができる。 The three core innovations of E-ConvNeXt: (1) Cross Stage partial Network (CSPNet) with ConvNeXt and adjusting the network structure, which makes the model's network complexity by 80% reduce the model; (2) Optimizing the Stem and Block structure to enhance the model's feature expression capabilities and operation efficiency; (3) Replacing Layer Scale with channel attention。 ImageNet分類に関する実験的検証は、E-ConvNeXtの精度と効率のバランスが優れていることを示している: E-ConvNeXt-miniは0.9GFLOPsで78.3%のTop-1精度に達した。 E-ConvNeXt-smallは3.1GFLOPsで81.9%のTop-1精度に達した。 物体検出タスクにおける伝達学習テストは、その一般化能力をさらに確認する。

関連論文リスト

• FORTRESS: Function-composition Optimized Real-Time Resilient Structural Segmentation via Kolmogorov-Arnold Enhanced Spatial Attention Networks [1.663204995903499]
  FORTRESS (Function-composition Optimized Real-Time Resilient Structure) は、特別な手法を用いて精度と速度のバランスをとる新しいアーキテクチャである。 Fortressには,系統的に分離可能な畳み込みフレームワーク,適応型TiKAN統合,マルチスケールアテンション融合という,3つの重要なイノベーションが含まれている。 このアーキテクチャは 91% のパラメータ還元 (31M から 2.9M) 、91% の計算複雑性低減 (13.7 から 1.17 GFLOPs) 、および 3倍の推論速度向上によって、顕著な効率向上を実現している。
  論文  参考訳（メタデータ） (2025-07-16T23:17:58Z)
• TransXNet: Learning Both Global and Local Dynamics with a Dual Dynamic Token Mixer for Visual Recognition [63.93802691275012]
  グローバル・ローカル・ダイナミクスを同時に学習するための軽量なデュアル・ダイナミック・トケン・ミキサー(D-Mixer)を提案する。 我々は、新しいハイブリッドCNN-TransformerビジョンバックボーンネットワークであるTransXNetを設計するために、基本的なビルディングブロックとしてD-Mixerを使用している。 ImageNet-1K分類では、TransXNet-TはSwin-Tを0.3%上回り、計算コストの半分以下である。
  論文  参考訳（メタデータ） (2023-10-30T09:35:56Z)
• Towards Simple and Accurate Human Pose Estimation with Stair Network [34.421529219040295]
  精度の高い多段階ポーズ推定システムに積み重ねることができるStair Networkと呼ばれる小さな判別モデルを開発した。 計算コストを削減するため、Stair Networkは、新しい基本的な特徴抽出ブロックで構成されている。 2つの標準データセットに対するStair Networkの有効性を示す。
  論文  参考訳（メタデータ） (2022-02-18T10:37:13Z)
• MUXConv: Information Multiplexing in Convolutional Neural Networks [25.284420772533572]
  MUXConvは、ネットワーク内のチャンネルと空間情報を段階的に多重化することで、情報の流れを増大させるように設計されている。 ImageNetでは、MUXNetsと呼ばれる結果のモデルが、MobileNetV3のパフォーマンス(75.3%のトップ-1精度)と乗算演算(218M)に一致している。 MUXNetは、転送学習やオブジェクト検出に適応する際にもよく機能する。
  論文  参考訳（メタデータ） (2020-03-31T00:09:47Z)
• ReActNet: Towards Precise Binary Neural Network with Generalized Activation Functions [76.05981545084738]
  本稿では,新たな計算コストを伴わずに,実数値ネットワークからの精度ギャップを埋めるため,バイナリネットワークを強化するためのいくつかのアイデアを提案する。 まず,パラメータフリーのショートカットを用いて,コンパクトな実数値ネットワークを修正・バイナライズすることで,ベースラインネットワークを構築する。 提案したReActNetはすべての最先端技術よりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-07T02:12:02Z)
• Toward fast and accurate human pose estimation via soft-gated skip connections [97.06882200076096]
  本稿では,高精度かつ高効率な人間のポーズ推定について述べる。 我々は、最先端技術よりも精度と効率を両立させる文脈において、この設計選択を再分析する。 本モデルでは,MPII と LSP のデータセットから最先端の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-25T18:51:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。