基于递归注意力的端到端实例分割
该研究提出了一种基于循环神经网络的端到端方法,通过顺序地查找每个不同的目标对象及其分割来解决实例分割的问题,并通过空间记忆来跟踪已解释的像素,以处理遮挡,这种方法优于当前所有最先进的方法。
Nov, 2015
本文提出了一种名为 MaskRNN 的递归神经网络方法,它在每帧中利用两个深度成像网络输出(二元分割网络和定位网络)进行目标实例的视频对象分割以获取长时序结构和剔除异常值,结果在 DAVIS-2016、DAVIS-2017 和 Segtrack v2 数据集中均达到了最优表现。
Mar, 2018
本文探讨使用循环神经网络中 attention 机制解决序列到序列问题的方法,并介绍相关的应用于计算机视觉中的算法并验证其优越性,同时也提出了未来的研究方向。
Jan, 2016
本文提出了基于注意力卷积网络的端到端场景文本识别方法,通过卷积神经网络 (CNN) 代替循环神经网络 (RNN) 来实现输入序列的上下文依赖关系的准确捕捉,提高了识别效率,并结合残余注意力模块进一步提高特征识别的准确性。该方法在多个数据集上验证结果显示了显著的性能优势。
Sep, 2017
本文提出了一种利用深度学习技术中的循环记忆 - 关注模块来实现图像多标签分类识别的新方法。通过不使用候选区域提取方法,从卷积特征图中定位注意区域,并使用 LSTM 子网络对这些区域进行语义标记和全局依赖性的序列预测。试验表明该方法在识别准确率和效率上均优于现有技术。
Nov, 2017
采用引导自我关注机制的卷积神经网络模型对医学图像进行语义分割,能够更好地捕捉图像中的上下文依赖关系,去除冗余的信息提取并集成本地特征和全局依赖,强调相关特征关联,从而取得更好的分割效果。
Jun, 2019
本文提出三个创新,首先采用循环全卷积网络跟踪每个实例鉴别标签,其次使用余弦相似度嵌入损失函数,为视频中的每个实例预测唯一嵌入,最终将这些嵌入聚类来创建最终跟踪的实例分割。最后,对 ISBI celltracking 挑战的六个数据集进行评估,表现出最先进的性能。
Jun, 2018