ECCVMar, 2018

ESPNet: 高效的扩张空洞卷积空间金字塔用于语义分割

PDF
TL;DRESPNet 是一种快速高效的卷积神经网络，用于在资源受限情况下对高分辨率图像进行语义分割，基于新的卷积模块，即高效空间金字塔（ESP），在计算、内存和功耗方面都很高效。它比目前最先进的语义分割网络 PSPNet 快 22 倍（在标准 GPU 上），体积小 180 倍，而其类别准确率只有 8% 左右。我们在各种语义分割数据集上评估了 ESPNet，包括 Cityscapes、PASCAL VOC 和一个乳腺活检全扫描图像数据集。在相同的内存和计算限制下，ESPNet 在标准度量和我们新引入的在边缘设备上测量效率的性能指标上均优于当前所有高效 CNN 网络，如 MobileNet、ShuffleNet 和 ENet。我们的网络可以在标准 GPU 上以每秒 112 帧和边缘设备上以每秒 9 帧的速度处理高分辨率图像。
发现论文，激发创造
  • ESPNetv2: 一种轻型、高效、通用的卷积神经网络

    介绍了一种轻量级、低功耗、通用卷积神经网络，用于建模视觉和序列数据。通过使用组点智慧和深度智慧扩张分离卷积学习来自更大有效感受野的表示方法，实现更少浮点计算和参数。实验结果表明，ESPNetv2 在物体分类、语义分割、物体检测和语言建模四个任务中均优于现有的最先进方法，且比 ESPINet 快 4-5％，在 PASCAL VOC 和 Cityscapes 数据集上的 FLOPS 少 2-4 倍。与 MS-COCO 物体检测的 YOLOv2 相比，ESPNetv2 在 6 倍以下的 FLOPS 下提供了 4.4％的更高精度，且功耗更低。

    Nov, 2018

  • EPNet：一种高效金字塔网络，用于减少计算需求的增强单图像超分辨率

    该研究介绍了一种高效金字塔网络（EPNet），通过融合边缘分割金字塔模块（ESPM）和全景特征提取模块（PFEM），克服了现有方法在计算效率方面的限制，从而实现了单幅图像超分辨率的高效实用化。

    Dec, 2023

  • 实时语义分割的特征金字塔编码网络

    提出了一种轻量级特征金字塔编码网络（FPENet）来在语义分割任务中平衡精度和速度。通过深度扩张卷积对多尺度上下文特征进行特征金字塔编码块的编码，在解码器中引入了互相嵌入上采样模块以高效聚合高级语义特征和低级空间细节。在 Cityscapes 和 CamVid 基准数据集上，该网络具有更少的参数和更高的推理速度，并实现了 68.0％的平均 IoU 和 102 FPS 的速度。

    Sep, 2019

  • 深度卷积网络中的空间金字塔池化用于视觉识别

    本研究提出了 SPP-net 结构，通过空间金字塔池化策略，消除了深度卷积神经网络所需的特定输入图像大小的限制，可生成固定长度特征表示，显著提高了基于 CNN 的图像分类和目标检测方法的准确性，ILSVRC 竞赛中名列前茅。

    Jun, 2014

  • EPSANet：卷积神经网络上有效的金字塔压缩注意力块

    本论文提出了一种轻量且高效的注意力方法，称为金字塔挤压注意力模块（PSA），并用其替换 ResNet 的瓶颈块中的 3x3 卷积，从而形成了一种高效的金字塔挤压注意力（EPSA）块，可轻松插入任何基础网络中用于计算机视觉任务，如图像分类、目标检测和实例分割等，达到比大多数现有注意模块更优秀的性能。

    May, 2021

  • ENet：用于实时语义分割的深度神经网络架构

    本篇论文提出一种名为 ENet 的新型深度神经网络架构，其最大特点是快速、参数少，适用于对实时性要求较高的像素级语义分割任务，且在 CamVid、Cityscapes 和 SUN 等数据集上测试表明效果相对优于同类型已有网络。

    Jun, 2016

  • 用于实时语义分割的高效非对称卷积密集模块

    本文提出一种卷积神经网络结构，命名为 Efficient Dense modules with Asymmetric convolution (EDANet)，它采用不对称卷积结构和膨胀卷积和稠密连接并具有低计算成本和模型大小，比现有的快速分割网络 ICNet 快 2.7 倍，并且在没有任何附加上下文模块、后处理方案和预训练模型的情况下实现类似的 mIoU 得分。在 Cityscapes 和 CamVid 数据集上评估 EDANet，与其他最先进的系统进行比较。我们的网络可以在一台 GTX 1080Ti 上以 108 FPS 的速度运行。

    Sep, 2018

  • SPEEDNet: 结肠镜图像的显著金字塔增强编码解码网络

    SPEEDNet 是一种用于结肠镜图像中精确定位和分割病变的新型网络架构，通过将扩张卷积和缩减层成对组合成金字塔结构来降低参数数量，提高特征学习，并降低模糊效果。在 EBHISeg 数据集上，SPEEDNet 的性能优于 UNet、FeedNet 和 AttesResDUNet，达到了 0.952 的平均 Dice 得分和 0.971 的召回率。与 UNet、FeedNet 和 AttesResDUNet 模型相比，SPEEDNet 的模型大小为 9.81 MB，显著较小。

    Dec, 2023

  • ESFNet：用于从高分辨率航空影像中提取建筑物的高效网络

    本篇论文提出了一种基于 ESFNet 的高效神经网络模型，它采用了可分离的因式残差块和扩张卷积，旨在在保持轻微准确性损失的同时降低计算成本和内存消耗，取得了更好的准确性和效率平衡。

    Mar, 2019

  • 用于大型图像语义分割的高效梯度式 DenseNets

    采用 DenseNet-based 的梯形架构，探究 feature map 缓存对分割任务的影响， 最终在多个基准数据集上以更高的预测精度和执行速度超越当时最先进的方法，同时在商用硬件上实现了训练超高分辨率的语义分割任务。

    May, 2019