本文研究了全局平均池化技术在卷积神经网络中应用的原理,发现其可以使网络更好地实现局部特征定位,从而建立了一种通用的可局部化的深层表示方法,并通过实验证明其在物体定位等各种任务上的有效性。
Dec, 2015
该研究提出了一个名为 GCPANet 的新网络,采用一些渐进式的、上下文感知的特征交织聚合 (FIA) 模块有效地整合低层外观特征、高层语义特征和全局上下文特征,并通过监督学习生成显着性图像。此外,还设计了一个头部注意力 (HA) 模块、一个自我细化 (SR) 模块和一个全局上下文流 (GCF) 模块,以进一步提高网络性能。实验结果表明,该方法在六个基准数据集上的表现比现有方法都要好。
Mar, 2020
提出一种基于卷积神经网络的 Region Proposal 方法 R-CNN,它与 CNN 结合起来使用更高的上下文信息,加上有监督的预培训方法,实现了在 PASCAL VOC 2012 数据集上的平均准确率 mAP 达到 53.3%。
Nov, 2013
通过引入 Vortex Pooling 方法,本文提出了一种有效而高效的语义分割方法,该方法在 PASCAL VOC 2012 中超越了现有的最先进模型 DeepLab v3,并且具有与 DeepLab v3 相似的计算代价。
Apr, 2018
该研究提出了一种自适应上下文网络(ACNet)来捕捉基于像素需求的上下文,以全局上下文和局部上下文的竞争性融合为基础,进一步提高场景解析性能。
Nov, 2019
本文提出了基于参数化和非参数化模型的全局语境信息来进行场景解析,使用场景相似性训练上下文网络生成特征表示来生成空间和全局先验知识,然后将这些特征表示和先验知识嵌入到分割网络作为额外的全局上下文提示。实验表明该方法可以消除与全局上下文表示不兼容的误报,且在 MIT ADE20K 和 PASCAL Context 数据集上表现良好。
Oct, 2017
通过改进概率分类器的标签似然度和引入全局标签代价,本论文提出了一种非参数景观分析方法,提高了场景图像中前景类别的覆盖率和总体准确性,并在两个大型数据集上达到了最先进的性能。
Oct, 2015
本文提出了一种 Context Encoding Module 方法,在原有 FCN 框架的基础上加入了全局场景语义信息来优化语义分割结果,在 PASCAL-Context、PASCAL VOC 2012 和 ADE20K 数据集上取得了最新最优的成果,并且通过在 CIFAR-10 数据集上进行对比实验表明该方法可以用来改善相对浅层网络的特征表示效果。
Mar, 2018
通过采用分层抽样和多尺度特征的方法,优化以卷积预测器为基础的像素级预测问题的神经网络结构,显著提高了模型在低级边缘检测、中级表面法线估计和高级语义分割中的性能.
Sep, 2016
本文提出了一种上下文自适应卷积神经网络 (CaC-Net),用于语义特征映射的空间变化特征加权。实验证明,CaC-Net 在语义分割任务中的性能优于其他方法。
Apr, 2020