RepVGG: VGG 스타일 ConvNet을 다시 한 번 위대하게 만들기

우리는 단순하지만 강력한 합성곱 신경망 아키텍처를 제안한다. 이 구조는 추론 시기에 VGG 유사한 본체를 갖추고 있으며, 3×3 합성곱과 ReLU만으로 구성된 스택으로 이루어져 있다. 반면 학습 시기에는 다중 브랜치(topology) 구조를 가진다. 이러한 학습 시기와 추론 시기의 아키텍처 분리(디커플링)는 구조적 재파라미터화(Structural Reparameterization) 기술을 통해 구현되며, 이에 따라 모델은 RepVGG라고 명명된다. ImageNet 데이터셋에서 RepVGG는 80% 이상의 top-1 정확도를 달성하였으며, 우리 지식상 평탄한(plain) 아키텍처로는 최초로 이 성능을 달성한 것이다. NVIDIA 1080Ti GPU에서 RepVGG 모델은 ResNet-50보다 83% 빠르고, ResNet-101보다 101% 빠르게 동작하며, 더 높은 정확도를 제공한다. 또한 EfficientNet이나 RegNet과 같은 최신 모델들과 비교해도 정확도-속도 간의 균형이 유리하다. 코드 및 학습된 모델은 https://github.com/megvii-model/RepVGG 에서 제공된다.