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
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
使用参数反转图像金字塔网络(PIIP)进行多尺度特征提取,在计算效率和性能之间取得平衡,并通过特征交互机制有效整合不同空间尺度的信息,在对象检测、分割和图像分类等任务中相较于传统图像金字塔方法和单一卷积网络,降低了计算成本且取得更好的性能表现。
Jun, 2024
本文介绍了一种轻量级网络结构(LPNet)用于图像去雨,采用高斯 - 拉普拉斯图像金字塔分解技术简化学习过程,并采用递归和残差网络结构,以不到 8K 的参数达到最先进的性能,同时讨论了 LPNet 在其他低级和高级视觉任务中的潜在价值。
May, 2018
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。
Jun, 2014
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
本文介绍了一种使用 Cartesian 遗传编程自动构建卷积神经网络结构的方法,并通过将其应用于 CIFAR-10 数据集的图像分类任务验证了该方法的有效性。
Apr, 2017
本文提出的基于图形特征金字塔网络的多尺度特征学习方法,在对象检测任务中优化了 Faster R-CNN 算法,并超越了之前的最先进特征金字塔算法和其他流行的检测方法。
Aug, 2021
本文提出了一种名为 IPG-Net 的新型网络,旨在解决 CNN 目标检测中浅层保留空间信息但缺乏语义信息、深层具有高语义概念但丢失了很多空间信息的信息不平衡问题。IPG-Net 引入了图像金字塔引导来解决这个问题,并在两种检测模型上得到了最新的结果。
Dec, 2019
本文提出了用金字塔残差模块来增强深度卷积神经网络的规模不变性,结合多分支网络设计权重初始化方法来在人体姿态估计任务上取得最新的最优结果。
Aug, 2017