反向注意力语义分割

Jul, 2017

Semantic Segmentation with Reverse Attention

Qin Huang, Chunyang Xia, Chihao Wu, Siyang Li, Ye Wang...

TL;DR本文提出了逆向注意力网络（RAN），通过同时进行直接、反向和逆向 - 注意力学习过程，使得全卷积神经网络不仅可以学习标签化的语义对象的代表性语义特征，还可以学习与目标类别不相关的特征，在对 Pascal-Context 数据集和其他数据集进行实验后，在 DeepLabv2-LargeFOV 基础上建立的 RAN 在语义分割领域达到了最先进的 mIoU 得分（48.1％），同时也显著提高了 PASCAL-VOC、Person-Part、NYUDv2 和 ADE20K 数据集的性能。

Abstract

Recent development in fully convolutional neural network enables efficient end-to-end learning of semantic segmentation. Traditionally, the convolutional classifiers are taught to learn the representative semanti

fully convolutional neural network semantic segmentation reverse attention network deeplabv2-largefov miou score

发现论文，激发创造

RANet：用于快速视频对象分割的排名关注网络

这篇论文提出了一种在线学习技术与匹配传播相结合的 Ranking Attention Network 方法，以端到端的方式学习像素级的相似度和分割，并使用新颖的排序注意力模块自动排名和选择这些映射，从而显著提高了半监督视频对象分割的准确性和速度。

Aug, 2019

全注意力网络用于语义分割

该研究提出了 FLANet 方法，可以通过单个相似度图来同时编码空间和通道注意力，并在三个具有挑战性的语义分割数据集上最先进的性能达到 83.6％，46.99％和 88.5％。

Dec, 2021

语义分割的压缩注意力网络

本文提出了一种新颖的挤压和注意力（SA）模块，结合传统卷积实现像素组关注和像素级预测，最终通过融合四个层次的 SANet 的输出来集成多尺度的上下文信息，从而实现了在 PASCAL VOC 和 PASCAL 上的语义分割任务中表现出色。

Sep, 2019

残差注意力网络用于图像分类

通过引入注意力机制，在端到端的训练过程中将其与最先进的前馈网络结构相结合，我们提出了一种卷积神经网络模型 “Residual Attention Network”，并在 CIFAR-10、CIFAR-100 和 ImageNet 三个基准数据集上实现了最佳的物体识别表现。

Apr, 2017

全卷积适应网络用于语义分割

本文提出了一种全卷积自适应网络（FCAN）用于语义分割，该网络综合了外观适应网络（AAN）和表示适应网络（RAN），通过对领域适应的视觉外观级别和表示级别进行改进，实现了从合成图像到真实世界图像的领域适应。论文进行了广泛的实验，在 GTA5 到 Cityscapes 和 BDDS 领域不需要监督地自适应，实现了优于现有技术的结果，并在 BDDS 上获得了新的记录 —— 无监督的 mIoU 为 47.5％。

Apr, 2018

用于长文本建模的循环注意力网络

本文提出了一种新型深度学习神经网络 RAN，采用自注意力机制和递归结构相结合的方法，实现了在长文本处理中的可重复性操作，对文本进行建模提取全局语义信息，并能兼容顺序和分类任务。实验结果表明，RAN 模型具有出色的编码能力，适用于长文本语义的自动提取和处理。

Jun, 2023

语义分割的注意力网络的实证研究

语义分割是计算机视觉中的一个重要问题。近期，采用端到端卷积神经网络的语义分割算法比传统方法更准确。然而，基于注意力机制的解码器在多个数据集上已经达到了最先进的性能，但这些网络通常只与之前的最佳网络的 mIoU 进行比较，忽略了它们的特点，并未考虑到不同类别中的计算复杂性和精度，这在工程应用中是必不可少的。此外，分析 FLOPs 和内存的方法在不同网络之间不一致，使得比较难以使用。此文首先进行实验以分析其计算复杂性并比较其性能。然后总结适用于这些网络的场景，并得出构建注意力网络时应关注的关键点。最后，指出了注意力网络的一些未来方向。

Sep, 2023

基于递归注意力的端到端实例分割

本研究提出了一种基于循环神经网络加注意机制的端到端模型，可以进行场景中物品实例的细节分割，并在 CVPPP、KITTI 和 Cityscapes 数据集上获得了竞争性的结果。

May, 2016

用于语义分割的融合注意力网络，在极高分辨率遥感图像中的应用

本文提出了一种多路径编码器结构来提取多路径输入的特征，多路径注意力融合块模块来融合多路径特征，以及细化注意力融合块模块来融合高层抽象特征和低层空间特征。同时，提出了一种新的卷积神经网络架构，名为注意力融合网络 (AFNet)。基于该 AFNet，在 ISPRS Vaihingen 2D 数据集上达到了 91.7% 的整体精度和 90.96% 的平均 F1 分数，在 ISPRS Potsdam 2D 数据集上达到了 92.1% 的整体精度和 93.44% 的平均 F1 分数，取得了最先进的性能。

May, 2021

金字塔注意力网络用于语义分割

使用金字塔注意力网络 (PAN) 进行语义分割，通过特征金字塔注意力模块和全局注意力上采样模块提取精确的密集特征，优于现有方法，可达到 PASCAL VOC 2012 和 Cityscapes 数据集的最高精度 mIoU 84.0%。

May, 2018