NIPSJan, 2018

使用注意力门控 CRFs 学习深度结构多尺度特征以进行轮廓预测

PDF
TL;DR本文提出了一种新颖的方法来预测轮廓，通过引入分层深度模型以及使用新型的 AG-CRFs 对不同尺度的特征表示进行精细融合，实现了更加精确的轮廓检测，实验结果表明其在 BSDS500 和 NYUDv2 数据集上都表现出了较好的性能。
发现论文，激发创造
  • 具有条件核的概率图注意力网络用于逐像素预测

    本研究提出了一种新的方法，即基于概率图注意力网络结构和依赖特征的条件核，在理论上合理地学习和融合多尺度特征，并用于像素级预测，实验结果表明其有效性。

    Jan, 2021

  • 基于结构注意力的卷积神经场用于单目深度估计

    本文提出一种新的单目深度估计方法，使用带有结构化注意力模型的条件随机场来融合来自前端卷积神经网络不同层次的多尺度信息，并将其无缝集成到整个架构的端到端训练中， 在 KITTI 基准测试中排名竞争对手，在 NYU Depth V2 数据集上优于现有技术。

    Mar, 2018

  • 基于深度特征和预测修正的显著目标检测结构建模

    本文提出了一种深度统一的 CRF 显著性模型，在 CNN 架构下通过特征 - 特征传递、特征 - 预测传递和预测 - 预测传递进行特征和预测更新，通过级联 CRFs 架构和 CNN 共同提炼得到最终的显著性图像，并在 6 个数据集上进行评估，证明了该模型表现出高度的竞争力。

    Sep, 2019

  • 基于深度高斯条件随机场的语义图像分割快速、准确、多尺度推理

    本文提出了一种结构化预测技术，其将高斯条件随机场与深度学习相结合，能够在保证唯一全局最优解的同时，使用精简的闭式表达式计算模型参数的梯度。通过在语义分割任务中引入多分辨率结构化优化框架，该系统在 PASCAL 2012 图像分割基准上显示出明显的改进。

    Mar, 2016

  • 多尺度细化的注意力语义分割

    本文提出了一种新颖的注视模型用于语义分割，该模型聚合了多尺度和上下文特征进行预测。该模型使用骨骼卷积神经网络框架输入多个不同的尺度，进而可以获取不同尺度的表示。提出的注视模型将分别处理不同尺度的特征并集成它们。然后，该模型的位置注视分支学习到每个像素位置上的多尺度特征的软加权。此外，我们添加了一个重新校准分支，与位置注视分支平行，用于重新校准每个类别的分数图。在 PASCAL VOC 2012 和 ADE20K 数据集上，我们取得了相当有竞争力的结果，超过了基线和相关工作。

    Jul, 2018

  • 利用 CNN 特征学习 CRF 以进行图像分割

    本文主要介绍了一种基于预训练的 CNN 和 CRF 的图像分割方法，通过构建一些潜在的超像素来生成 CRF 的 potentials，并借助结构化 SVM 来学习 CRF 参数。研究者们还构建了空间相关的、共现的二元 potentials，以更加准确地描述目标物体在一定空间布局下的标签关系。实验表明，该方法在很多二元和多元分割测试中表现出很好的性能。

    Mar, 2015

  • 基于多尺度连续条件随机场的单目深度估计顺序深度网络

    本文提出了一种基于多尺度卷积神经网络（CNN）的深度模型，通过用连续条件随机场（CRF）融合多个 CNN 侧输出得到的互补信息。提出了两种不同的变体，一种基于多个 CRFs 级联，另一种基于统一的图模型，通过端到端的训练证明了效果显著，取得了公开数据集上的最新成果。

    Apr, 2017

  • 基于 DAG-CNN 的多尺度识别

    使用 DAG-CNN 的多尺度卷积神经网络探索了多尺度特征提取，并在三个场景基准测试中展现了最新的最佳分类性能。

    May, 2015

  • 基于注意力机制的图卷积网络，融合潜在结构和多个特征

    本文提出了利用结构信息和多种注意力函数计算权重的关注型空间图卷积（AGC）方法以及基于该方法的用于分类和预测点云标签的图神经网络（GNN）模型，实验结果表明，所提出的 GNN 性能优于现有方法。

    Mar, 2023

  • 用于人群计数的多尺度注意力网络

    提出了一种使用多分支尺度感知注意力网络、卷积神经网络、软注意力机制、尺度感知损失函数等方法，在 4 个不同的人群计数数据集上实现了最先进的效果，平均减少 25% 的误差。

    Jan, 2019