准确快速物体检测的感受野块网络
本文提出一种新的端到端可训练的匹配网络 RF-Net,基于感受野计算图像之间的稀疏对应关系。通过引入感受野来构建特征图,增强关键点检测效果,同时加入邻居掩码来提高描述符训练的稳定性。我们在公开数据集 HPatches 上训练并与其他方法进行了对比,实验结果表明 RF-Net 在多个基准数据集上优于现有的最先进方法。
Jun, 2019
本研究介绍了一种基于增强型 SRGAN 的超分辨率网络 RFB-ESRGAN,包括 Receptive Field Block、多尺度信息提取、交替上采样方法和集成式模型等四个方面,经实验结果验证,该方法在 NTIRE 2020 Perceptual Extreme Super-Resolution Challenge 中表现最佳。
May, 2020
本研究提出了一种分析卷积神经网络接受野扩展的新方法,可以在训练之前预测无效图层,并优化给定架构的参数效率,证明该方法不仅可自动化进行,而且在包括 VGGNets、MobileNetV1、MobileNetV3、NASNet A(mobile)、MnasNet、EfficientNet 和 ConvNeXt 等多个常见架构中可以削减参数,在 ImageNet1K 的数据集上,所有上述模型的表现效果都有了新的最好结果。
Nov, 2022
本文研究了卷积神经网络在音频处理任务中的表现。通过对 Receptive Field 的分析,发现 RF 对模型的泛化能力很重要。通过系统地调整 CNNs 中的 RF,可以让深层模型表现得更好。
Jul, 2019
本文提出了一种针对边缘设备的轻量级和高速人脸检测器,其方法是基于无锚点的一阶段检测,通过重新考虑感受野和有效感受野(ERF)之间的关系来实现多尺度的连续人脸检测。综合实验结果表明,该方法在多个数据集上取得了更高的准确度和更快的推断速度。
Apr, 2019
本论文涉及基于区域的检测器,使用卷积网络实现高效的物体检测,使用位置敏感的得分图解决分类中的平移不变性和物体检测中的平移可变性的问题,可自然地采用全卷积图像分类器骨干网进行物体检测,以 101 层残差网络 (ResNet) 在 PASCAL VOC 数据集上取得 83.6% mAP 的竞争性结果,测试时间为每张图像 170ms,比 Faster R-CNN 快 2.5-20 倍。
May, 2016
本文旨在探讨如何在现代卷积物体检测系统中为给定应用程序和平台选择实现正确的速度 / 内存 / 精确度平衡的检测架构,我们提出了 Faster R-CNN、R-FCN 和 SSD 三种 meta-architectures 的统一实现,并通过其中的替代特征提取器和变化的其他关键参数(如图像大小)来跟踪速度 / 精度平衡曲线,在一端,我们提出了一种检测器,它实现了实时速度,并可部署在移动设备上,在另一端,我们提出了一种检测器,它在 COCO 检测任务中实现了最先进的性能.
Nov, 2016
研究了深度卷积网络单元感受野的特性,提出了有效感受野的概念,并分析了它在几种架构设计中的作用,以及非线性激活、dropout、下采样和跳跃连接对其产生的影响。结果表明,这些因素对有效感受野的大小具有影响,并提出了一些解决途径。
Jan, 2017