UniRepLKNet

收录理由

UniRepLKNet 源自 CVPR 2024 与 TPAMI 2025 的研究脉络，把大核卷积网络摆在与 Transformer 骨干真正对等的位置上。仓库把这类网络的设计准则提炼得很清楚，并附上了硬指标：仅用 ImageNet-22K 预训练，就能在 ImageNet 上拿到 88.0% 的 top-1 准确率，COCO 检测 AP 达到 56.4，ADE20K 分割 mIoU 为 55.6。更值得注意的是，同一套架构只需极简单的模态专属预处理，就能迁移到音频和时序信号，甚至能用于全球气温与风速预测这种大规模难题。预训练权重放在 Hugging Face 上，训练和评测代码也方便直接接进现有的检测或分割流程。如果你更在意实际运行速度与精度的平衡，而不是单纯追求榜单数字，仓库里与 ConvNeXt v2、InternImage 的直接对比能提供扎实的参考依据。