Sep, 2015

用于异构硬件系统上的像素级分类的高效卷积神经网络

PDF
TL;DR本文介绍了三个用于图像像素分类的卷积神经网络模型，通过去除冗余计算或使用全卷积体系结构来解决滑动窗口网络中存在的冗余计算问题。作者对这三种模型进行了评估，并评估了它们在两个神经组织数据集上的表现，以及训练过程中使用的不同损失函数。
convolutional neural networkpixelwise classificationredundant computationsimage input and output formatsneural tissue data sets
发现论文，激发创造
  • 卷积神经网络像素分类的高效前向和后向传播

    提出了一种使用稀疏核的卷积神经网络算法，用于像素分类任务，避免了传统的图像切片造成的冗余计算，提高了前向和反向传播速度。

    Dec, 2014

  • 基于类别特定卷积的高效深度图像去噪

    本文提出了一种基于像素分类的高效深度神经网络用于图像去噪，通过使用 Class Specific Convolution (CSConv) 图层替换已存在去噪网络的卷积图层以及 U-net 像素分类器，能够降低计算成本并且不会牺牲去噪性能。

    Mar, 2021

  • 基于多个异构数据集的卷积网络训练，用于街景语义分割

    该研究提出了一种具有分层分类器的卷积网络，用于每像素的语义分割，能够在多个异构数据集上进行训练和利用它们的语义层次结构。

    Mar, 2018

  • PixelNet：通向通用像素级架构

    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

  • 全卷积神经网络用于语义分割

    本文提出了一种基于卷积神经网络的 Fully Convolutional Networks（FCN）方法，可以用于图像的深度语义分割。通过该方法，我们成功地提高了 PASCAL VOC、NYUDv2、SIFT Flow 和 PASCAL-Context 等公开数据集上的 segmentation 模型的性能，并且推断速度远快于之前的相关工作。

    May, 2016

  • 面向多兆像素图像的流式卷积神经网络端到端学习

    提出了一种新的方法，可以直接训练卷积神经网络使用任何输入图像大小端到端，通过将现代卷积神经网络中的大多数操作在图像的较小块上执行，演示了使用高达 66 百万像素的图像的概念证明，这样每个图像可以节省大约 50GB 的内存

    Nov, 2019

  • 全卷积网络用于语义分割

    该研究证明，卷积网络可以通过端到端的训练，从像素到像素地训练，超越先前的语义分割最先进方法，通过自适应大小输入和高效学习来生成相应大小的输出。该研究还详细介绍了全卷积网络的应用于空间密集预测任务，并将 AlexNet、VGG 网和 GoogLeNet 等现代分类网络改进成全卷积网络，并将它们学习到的表示通过微调应用于语义分割任务。最后，该研究提出了一种新的网络架构，将深层次粗糙层和浅层外观信息相结合以生成准确和详细的分割结果，在 PASCAL VOC、NYUDv2 和 SIFT Flow 数据集上实现了最先进的语义分割（2012 年的 mean IU 相较前一方法提高 20％），对典型图像的推理时间仅需三分之一秒。

    Nov, 2014

  • 使用全卷积网络进行快速图像处理

    使用全卷积网络进行运算符逼近可以显著提高逼近精度，降低运行时间和内存开销。在输入输出对上的训练可以将原始运算符逼近，并且可以对多种不同的高级图像处理运算符进行逼近，包括多种变分模型、多尺度调节和明暗细节操作等。

    Sep, 2017

  • 基于 Patch 的卷积神经网络用于全切片组织图像分类

    通过训练决策融合模型以及利用 EM 方法自动定位有效的 Patch，可以实现对肿瘤亚型的分类，其分类精度与病理学家之间的一致性相似，这种基于 Patch 的 CNN 可以比基于图像的 CNN 更好地处理图像分类任务。

    Apr, 2015

  • 使用卷积神经网络实现亚分米分辨率图像的密集语义标注

    本文基于卷积神经网络提出了一种深度学习系统，能够在高分辨率的航拍图像上检测地物信息并达到了良好的识别精度。

    Aug, 2016