PiCANet:学习像素级的背景上下文注意力进行显著性检测
本文提出了一个名为 PiCANet 的新型像素级上下文关注网络,通过对上下文区域的关注权重进行学习,选择性地融合有用的上下文特征,最终应用于显著性检测、语义分割和物体检测等领域,相对于其他同类方法性能有显著的提升。
Dec, 2018
通过 Point Contextual Attention Network (PCAN) 能够在对点上下文加权的情况下,对局部特征进行更加关注,从而有效地编码局部特征并在多个基准测试数据集上提供性能优于当前最先进方法的检索性能。
Apr, 2019
该研究提出了一个名为 GCPANet 的新网络,采用一些渐进式的、上下文感知的特征交织聚合 (FIA) 模块有效地整合低层外观特征、高层语义特征和全局上下文特征,并通过监督学习生成显着性图像。此外,还设计了一个头部注意力 (HA) 模块、一个自我细化 (SR) 模块和一个全局上下文流 (GCF) 模块,以进一步提高网络性能。实验结果表明,该方法在六个基准数据集上的表现比现有方法都要好。
Mar, 2020
本文提出了一种基于上下文信息并采用 UNet 结构的注意力模型 CANet 来提取轮廓骨架像素,同时采用距离变换和加权重点损失等技术来取得优秀的结果,并在 Pixel SkelNetOn 竞赛中获得了第一名。
May, 2022
提出了 Uncertainty Augmented Context Attention 网络(UACANet),用于息肉分割。在该网络中,考虑到显著图的不确定区域,并构建了一个具有附加编码器和解码器的 U-Net 形状网络的改进版本,并在每个自下而上流的预测模块中计算显著图,并将其传播到下一个预测模块,最终实现了比以前最先进的方法更好的表现,特别是在 ETIS 数据集上获得了 76.6%的平均 Dice 系数。
Jul, 2021
该论文提出了一种基于卷积神经网络的方法,通过提取多尺度的高级视觉特征和上下文信息,结合全局场景信息,用于准确预测视觉显著性,可以适用于资源受限的应用,如(虚拟)机器人系统,从而在多个基准测试数据集上取得了有竞争力和一致的结果。
Feb, 2019
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
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
探索图注意力网络在图像特征提取中的应用,通过图生成算法将图像转换成图,并利用图注意力网络更新节点特征,设计了基于像素的图注意力网络应用于人员再识别任务,在多个数据集上都取得了优于现有方法的性能。
Jul, 2023