Jun, 2014

深度卷积网络中的空间金字塔池化用于视觉识别

PDF
TL;DR本研究提出了 SPP-net 结构，通过空间金字塔池化策略，消除了深度卷积神经网络所需的特定输入图像大小的限制，可生成固定长度特征表示，显著提高了基于 CNN 的图像分类和目标检测方法的准确性，ILSVRC 竞赛中名列前茅。
convolutional neural networksspatial pyramid poolingimage classificationobject detectionilsvrc
发现论文，激发创造
  • 基于空间金字塔池化的卷积神经网络网络鲁棒性评估的综合分析

    通过设计一个使用空间金字塔池化网络（SPP-net）的卷积神经网络（CNN）模型，调整现有的评估指标，重新设计攻击模式，引入适当的过滤规则，并将鲁棒性价值作为训练数据，本研究解决了网络连通性稳健性评估中的一些关键问题，同时发现评估网络特征的场景敏感性并需要进一步的关注和优化。

    Aug, 2023

  • SPP-CNN: 网络强健性预测的高效框架

    该论文提出了一种基于空间金字塔池化卷积神经网络（SPP-CNN）的网络鲁棒性预测框架，该框架可以有效地提高网络对恶意攻击的连通性和可控性的鲁棒性，具有更好的预测性能和泛化能力，相对于其它模型具有更低的时间消耗。

    May, 2023

  • 学习高分辨率卫星图像分类的多尺度深度特征

    本文提出了一种用于高分辨率卫星图像分类的多尺度深度特征学习方法，该方法使用卷积神经网络（CNN）和空间金字塔池（SPP-net）技术提高了训练效率，并开发了一种多核学习方法以自动学习这些特征的最佳组合，实验表明该方法相对于其他最先进的方法具有更好的性能。

    Nov, 2016

  • 图像合成和图像到图像翻译中的学习空间金字塔注意池化

    本文介绍了一种基于 SPAP 的建筑单元的学习方法，该方法可以轻松地集成到 GAN 和 CycleGAN 的生成器和鉴别器中，以促进有效的端到端生成式学习，在 Celeba-HQ-128 和 Image-to-Image 翻译数据集上得到了更好的性能。

    Jan, 2019

  • 基于空间金字塔池化的无人机目标检测 YOLOv3

    该研究通过在 YOLOv3 后部添加空间金字塔池化层来提高面向无人机数据的物体检测性能，在经过 VisDrone2019-Det 数据集验证后，发现其 mAP 比 YOLOv3 高 0.6％，比 YOLOv3-Tiny 高 26.6％。

    May, 2023

  • 金字塔立体匹配网络

    该论文提出了一种新的算法 PSMNet，通过空间金字塔池化模块和三维卷积神经网络来提取全局上下文信息并形成代价体积，通过多层次网络及中间监督来优化代价体积，该算法在 KITTI 2012 和 2015 数据集中的表现也十分优秀。

    Mar, 2018

  • ESPNet: 高效的扩张空洞卷积空间金字塔用于语义分割

    ESPNet 是一种快速高效的卷积神经网络，用于在资源受限情况下对高分辨率图像进行语义分割，基于新的卷积模块，即高效空间金字塔（ESP），在计算、内存和功耗方面都很高效。它比目前最先进的语义分割网络 PSPNet 快 22 倍（在标准 GPU 上），体积小 180 倍，而其类别准确率只有 8% 左右。我们在各种语义分割数据集上评估了 ESPNet，包括 Cityscapes、PASCAL VOC 和一个乳腺活检全扫描图像数据集。在相同的内存和计算限制下，ESPNet 在标准度量和我们新引入的在边缘设备上测量效率的性能指标上均优于当前所有高效 CNN 网络，如 MobileNet、ShuffleNet 和 ENet。我们的网络可以在标准 GPU 上以每秒 112 帧和边缘设备上以每秒 9 帧的速度处理高分辨率图像。

    Mar, 2018

  • 用拉普拉斯金字塔重建和细化进行语义分割

    本文提出在卷积神经网络 (CNN) 中，通过 Laplacian 金字塔多分辨率重构和高分辨率特征地图的跳跃连接和乘法门来逐步优化从低分辨率地图中重构的区段边界，从而实现对需要密集像素标记的任务的高效语义分割。在 PASCAL VOC 和 Cityscapes 分割基准上实验，该方法能够实现最先进的语义分割结果。

    May, 2016

  • 视觉识别中的金字塔卷积：重塑卷积神经网络

    本文介绍了金字塔卷积（PyConv）技术，该技术具有多尺度滤波能力，适用于视觉识别各种核心任务，而且还可以提高识别性能并缩小网络规模。

    Jun, 2020

  • 特征金字塔网络用于目标检测

    该论文介绍了基于深度卷积网络的 Feature Pyramid Network（FPN），该网络利用深度卷积网络自带的金字塔多尺度特征，并在多种应用中取得了重大改进，尤其是在目标检测上。使用 FPN 的 Faster R-CNN 系统在 COCO 检测基准测试中取得了最先进的单模型结果。此外，该方法能够在 GPU 上以 5 FPS 的速度运行，是一种实用且准确的多尺度目标检测解决方案。

    Dec, 2016