Mar, 2016

卷积层和循环层的优势结合：一种适用于语义分割的混合网络

PDF
TL;DR探讨了如何在图像识别的语义分割领域中，采用 ReNet 层代替全卷积神经网络中的级联卷积和池化层来使局部感受野具有全局信息，并开发了一种新的混合深层 ReNet（H-ReNet）模型，经实验证明其在 PASCAL VOC 2012 基准测试中的识别准确度比 Piecewise、CRFasRNN 和 DeepParsing 高 3.6%、2.3% 和 0.2%。
semantic segmentationconvolutional neural networksrenet layersimage recognitiondeep learning
发现论文，激发创造
  • ReNet：基于循环神经网络的卷积网络替代方案

    本文提出了一种基于循环神经网络的深度神经网络架构 (ReNet) 用于目标识别，该网络使用四个循环神经网络替换了深度卷积神经网络中常用的卷积 + 池化层，并在 MNIST、CIFAR-10 和 SVHN 三个广泛使用的基准数据集上进行评估，结果表明 ReNet 是深度卷积神经网络的可行替代方案，并且需要进一步研究。

    May, 2015

  • ReSeg：一种基于循环神经网络的语义分割模型

    该研究提出了一种基于卷积神经网络 (CNN) 本地通用特征和循环神经网络 (RNN) 为距离依存性检索提供了能力的结构预测框架，称为 ReSeg，旨在解决更具挑战性的语义分割任务并兼顾效率、灵活性和适用性，通过在多个数据集上的评估显示出了最先进的性能优势。

    Nov, 2015

  • 卷积分层递归神经网络学习上下文依赖关系

    该研究提出了一种基于深度卷积神经网络和分层递归神经网络的图像分类模型，以更好地编码图像区域之间的空间和比例依赖关系，从而取得了在四个具有挑战性的目标 / 场景图像分类基准测试中最先进的结果。

    Sep, 2015

  • 用于语义分割的分层反卷积网络

    提出了一种基于多层浅层反卷积网络（SDN）的语义分割技术，通过多层网络集成上下文信息并加入层内和层间连接以提高特征融合和流向信息，应用层级监督优化网络训练，取得优异的分割效果。

    Aug, 2017

  • 卷积门循环神经网络用于视频分割

    本文提出了一种基于全卷积神经网络和门控循环体系结构的循环全卷积网络，利用视频中的时间信息进行在线语义分割， 大幅提高了分割的准确性，可以在二进制和语义视频分割任务中应用。

    Nov, 2016

  • 用完全卷积网络对高分辨率航空影像进行密集语义标注

    本文介绍了一种应用深度卷积神经网络用于语义标签高分辨率遥感数据的方法，采用了全卷积网络和预训练卷积神经网络在卫星图像识别中得到了较好的应用效果。

    Jun, 2016

  • 图像字幕的循环融合网络

    本文提出了一种使用多个编码器的循环融合网络 (RFNet) 来处理图像字幕生成问题，RFNet 可以利用多个编码器的输出之间的相互作用，生成新的、紧凑而且信息丰富的表示，验证实验表明，RFNet 对于图像字幕生成问题是有效的，并且取得了最新的最好结果。

    Jul, 2018

  • 深度卷积网络与全连接 CRF 的语义图像分割

    该研究论文结合深度卷积神经网络和概率图模型的方法来解决像素级分类（语义图像分割）任务中深层网络往往无法精确定位目标分割的问题，并通过将深层网络的响应与全连接条件随机场相结合，提出了一种 DeepLab 系统。定量实验表明，该方法在 PASCAL VOC-2012 语义图像分割任务中，IOU 精度可达 71.6％。

    Dec, 2014

  • 任务驱动的卷积循环视觉系统模型

    通过引入前馈卷积神经网络与反馈式局部循环连接设计，提高图像识别准确性，更加贴近灵长类动物视觉系统的神经活动，为当代物体识别任务的研究提供了新的思路。

    Jun, 2018

  • RFC-Net：在有限计算成本下学习医学图像分割的高分辨率全局特征

    本文介绍了一种松散稠密连接策略和采用 m 向树结构的可感受野链路网络 (RFC-Net)，用于学习高分辨率全局特征。实验证明 RFC-Net 在 Kvasir 和 CVC-ClinicDB 基准测试中对息肉分割取得了最先进的性能。

    Feb, 2023