# 2021/05/26
###### tags: `進度報告`

## 現在進度
### 論文閱讀
* [Survey](https://hackmd.io/PhLvyxlfST22JBgF7vBSxQ?view)
* [Large-Scale Object Detection in the Wild from Imbalanced Multi-Labels](https://hackmd.io/yHL_Z-XbQomdSoD4yjbuuA?view)
* RepVGG
* 特點
* 模型跟VGG類似，不包含任何分支，無需保存過多的中間結果，內存佔用少。
* 模型僅包含3x3conv和ReLU，計算速度快。
* 具體的網絡結構(包括深度和寬度)不需要依靠人工調整以及復合縮放等複雜手段進行設計，十分靈活。
* 單分支網絡來達到與多分支網絡一樣的精度是很難的，所以論文在train時使用多分支進行訓練，訓練完成後將其參數轉移到簡單網絡中
* 多分支訓練
在train時，為每一個 3x3 conv添加平行的 1x1 卷積分支和 identity 分支，構成一個 RepVGG Block。這種設計是參考 ResNet 的做法，區別在於 ResNet 是每隔兩層或三層加一分支，而本文是每層都加。
* re-parameterization of a RepVGG `還在研究中`
* 架構
* a,b為縮放係數
* 我們通過均勻縮放[64、128、256、512]的經典寬度設置（例如VGG和ResNets）來確定圖層寬度
* 局限的地方
RepVGG 是為 GPU 和專用硬件設計的高效模型，追求高速度、省內存，較少關注參數量和理論計算量。在低算力設備上，可能MobileNet 和 ShuffleNet 系列適和。
### 實驗室
* Image Processing HW
### 專題生
皆已完成，等待老師過目

---
## 未來計畫
### 論文閱讀
* Survey
* RepVGG的re-parameterization of a RepVGG
### 目前想法
* Image captioning/understanding 沒有興趣
* Survey之後還是不太知道怎麼去找出我想做甚麼