Conv2NeXt: Reconsiderando el diseño de la red Conv NeXt para el reconocimiento de imágenes

Actualmente, los transformadores en visión por computadora, ya sea en el reconocimiento de imágenes, segmentación de imágenes o detección de objetivos, son ampliamente populares debido a su excelente rendimiento. Las redes neuronales convolucionales tradicionales (CNN) son superadas por los transformadores, pero la desventaja de los transformadores es que requieren enormes recursos para su desarrollo. En 2022, Liu y col. repensaron las CNN y propusieron una serie de modelos que se refieren a la estructura de los transformadores (por ejemplo, los transformadores Swin). En contraste con los transformadores, los modelos de CNN de Liu, denominados ConvNeXt, utilizan la red neuronal convolucional estándar. La precisión de ConvNeXt en el conjunto de datos ImageNet es sorprendentemente cercana a la de los transformadores Swin, lo que demuestra que las CNN aún tienen un rendimiento superior. Sin embargo, ConvNeXt no tiene un buen desempeño en conjuntos de datos de baja resolución, como CIFAR-10, CIFAR-100 y Tiny ImageNet, y todavía hay mucho margen para la mejora. Para mejorar la generalización de ConvNeXt, proponemos modelos Conv2NeXt, que consisten en dos capas de incrustación de parches y un bloque de convolución simétrico de aplicaciones repetidas. Además, Conv2NeXt incorpora algunos módulos de atención para refinar los mapas de características, haciéndolos más robustos. En experimentos, Conv2NeXt supera a la mayoría de los rendimientos de última generación (SOTA) más conocidos y ampliamente utilizados, con una precisión del 98.23 % en CIFAR-10, 83.82 % en CIFAR-100 y 71.94 % en Tiny ImageNet. Lo más importante es que estos rendimientos se entrenaron con solo una GPU basada en cliente, logrando casi SOTA con un número de parámetros (Params) mucho menor. El código de código abierto y el punto de control de este trabajo son accesibles en https://github.com/southerly7/Conv2NeXt.