[CVPR2018筆記]Convolutional Neural Networks with Alternately Updated Clique
05-09
北大團隊提出的新的block設計，achieves the performance of the state of the art with less parameters
block內部更新的核心思路可以直接看這個公式，每一層更新時的輸入是比他低的層的更新後的輸出加上比他高的層更新前的輸出。
由於block內任意兩層互連，故實現了top-bottom refinement，也就實現了attention機制
還提到了部分technique：
1，channel-wise attention mechanism
2，Bottleneck and compression
推薦閱讀：
※CVPR2018: 基於時空模型無監督遷移學習的行人重識別
※[CVPR2018筆記]An Analysis of Scale Invariance in Object Detection – SNIP
※現場報道 | CVPR 2017多個獎項公布：蘋果公司獲最佳論文
※CVPR—II | 經典網路再現，全內容跟蹤
※CVPR 2018 | Spotlight論文：變分U-Net，可按條件獨立變換目標的外觀和形狀