IJCAIJan, 2018

Hi-Fi: 层次化特征整合用于骨架检测

PDF
TL;DR本论文提出了一种新的卷积神经网络架构，称为 Hi-Fi，并通过引入新的分层特征集成机制来解决对象骨架检测问题，在多种基准测试上取得了显着的性能提升，这表明了该方法的有效性。
object skeleton detectionconvolutional neural networkmulti-scale feature integrationobject contexthigh-resolution details
发现论文，激发创造
  • HD-CNN：用于大规模视觉识别的分层深度卷积神经网络

    本文提出了一种基于分层结构的深度卷积神经网络 (HD-CNNs)，易分类的类别使用粗分类器进行区分，难分类的类别使用细分类器进行区分，并使用条件执行和层参数压缩等技术提高了可扩展性，成功地在 CIFAR100 和 ImageNet 等基准数据集上取得了最优结果。

    Oct, 2014

  • Big-Little Net：一种高效的多尺度特征表示方法，用于视觉和语音识别

    该论文提出了一种新的卷积神经网络 (CNN) 架构，通过使用具有不同计算复杂度的多分支网络，在不同的尺度上频繁合并特征，以使用更少的计算实现多尺度特征，并在目标识别和语音识别任务上显著提高了模型效率和性能。

    Jul, 2018

  • 多尺度匹配网络用于语义对应

    本文提出了一种多尺度匹配网络，该网络可以对邻近像素之间微小的语义差异进行敏感的多尺度匹配，并利用深度卷积神经网络的多尺度结构学习判别像素级特征。实验结果表明，该方法在三个流行的基准测试上具有高计算效率并达到了最先进的性能。

    Jul, 2021

  • 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

  • 由粗到细：大尺度的强健分层定位

    本文提出了一种基于单片式 CNN 的分层定位方法 HF-Net，通过利用粗到细的定位范例实现了在大规模环境和重要外观变化的情况下更准确地进行 6 自由度定位。除此之外，通过利用学习描述符，使我们的方法在大幅度外观变化的情况下实现了卓越的定位鲁棒性，并为大规模定位的两项具有挑战性的基准设定了新的标准。

    Dec, 2018

  • 特征金字塔网络用于目标检测

    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

  • 用于白质高信号区分割的位置敏感深度卷积神经网络

    本文研究了使用多尺度网络和显式的位置特征在卷积神经网络中，以将解剖结构位置信息与医学图像分析相整合，提高自动分割的准确性，实验结果表明，加入位置信息的网络与手工特征或不加入位置信息的网络相比较，取得了更好的结果。

    Oct, 2016

  • DeepProposal: 通过串联深度卷积网络层来搜索物体

    本文通过对卷积神经网络 (CNN) 的激活层质量进行评估，提出了一种卷积神经网络的级联方法，它通过级联的方式从 CNN 的最终卷积层到初始层中选择最有前途的物体区域并处理它们的盒子，从而提高物体识别的性能。

    Oct, 2015

  • 跳跃特征金字塔网络与网格锚点用于物体检测

    这篇论文提出了一种跳跃连接的方法，以获得特征金字塔每个层级中更强的语义，并简化了边界框回归的锚点生成方式，从而进一步提高物体检测的准确性。

    Oct, 2023

  • 深度图像分类中学习尺度变化和尺度不变特征

    本文提出了一种多尺度卷积神经网络方法来促进卷积神经网络同时识别尺度不变和尺度变异的特征，并在涉及多个尺度的任务相关特征的挑战性图像分类任务上对其进行了评估。结果表明，我们的多尺度卷积神经网络优于单尺度卷积神经网络，从而得出结论：在卷积神经网络中鼓励尺度不变和尺度变异表示的结合对图像识别性能有益。

    Feb, 2016