ECCVMar, 2018

卷积神经网络大采样场动态过滤

PDF
TL;DR我们提出了一种大采样场的动态过滤策略，用于 ConvNets 中，该方法使用位置特定的卷积核，能够从不仅相同位置，而且多个采样的邻域中进行学习，同时引入残差学习和注意力机制，以融合来自不同样本的特征。我们在对象检测，语义分割和流估计等任务中展示了 LS-DFN 的优点，它与 VOC 基准上的强基线相比，在目标检测和语义分割任务中具有更强的识别能力，在 FlyingChairs 数据集上的流估计则具有更锐利的响应。
convnetssamplingattentionobject detectionsemantic segmentation
发现论文，激发创造
  • 动态大核与动态特征融合用于三维医学图像分割的 D-Net

    Hierarchical transformers have introduced the DLK and DFF modules in the D-Net architecture, resulting in improved performance for medical image segmentation tasks.

    Mar, 2024

  • 动态过滤网络

    介绍一种新的动态滤波网络架构，使得学习的滤波器可以根据输入动态生成，具有高度适应性，且不会过多增加模型参数。通过可视化学习到的滤波器，证明该网络可以在无标签数据上学习信息，从而可以用于各种无监督预训练任务，例如光流和深度估计。

    May, 2016

  • 视频模型中的动态时间滤波

    该研究提出了一种名为 Dynamic Temporal Filter (DTF) 的方法，能够在频率域进行空间感知的时间建模，并具有较大的时间感受野，可将 DTF 模块嵌入 ConvNets 和 Transformer 中，实验结果表明其优越性。

    Nov, 2022

  • 3D 目标检测中的大感受野策略与重要特征提取策略

    利用 3D 物体检测、LiDAR 点云、动态特征融合模块和特征选择模块以提高网络性能。

    Jan, 2024

  • DFNets: 具反馈回路滤波器的图卷积神经网络

    提出了一种基于谱卷积神经网络 (CNN) 的新型图结构数据模型，称为分布式反馈环路网络 (DFNets)，它结合使用一类强健的谱图滤波器 (feedback-looped filters) 并具有更好的定位能力，同时获得较快的收敛速度和线性内存需求；实验结果表明，该模型在半监督的文档分类和知识图谱实体分类两个基准任务上都显著优于现有的方法。

    Oct, 2019

  • 快速的端到端可训练引导滤波器

    本文介绍了一种基于改进 FCN 的新型构建块 —— 引导滤波层，以及结合该层的像素级别图像预测框架 DGF，并在该框架上取得了比现有方法具有更快速度和更高性能的结果。

    Mar, 2018

  • 自适应动态滤波网络用于图像去噪

    本研究提出了一种用于改善高频和多尺度特征学习的动态卷积算法，其中采用了增强空间上下文信息的核生成模块 (SEKG) 以及动态卷积块 (DCB) 和多尺度动态卷积块 (MDCB)。此外，还提出了多维特征集成 (MFI) 机制，旨在融合多尺度特征，从而提供具有精确性和丰富上下文特征的表征。最终，使用所提出的算法构建的 ADFNet 在真实世界和合成高斯噪声数据集上取得了更好的性能，且具有较低的计算复杂度。

    Nov, 2022

  • 解耦动态滤波网络

    提出了一种 Decoupled Dynamic Filter（DDF）卷积方法，可以同时解决标准卷积的两个主要缺点：内容不适配和计算量大。DDF 将深度动态滤波器分解为空间动态滤波器和通道动态滤波器，大大减少了参数数量，并将计算成本限制在与深度卷积相同的水平上。在分类网络中，使用 DDF 替换标准卷积可以显著提高性能，同时其计算成本几乎减半。在检测和联合上采样网络上进行的实验也证明了 DDF-upsampling 变体在比标准卷积和专门的内容自适应层更优秀的性能。

    Apr, 2021

  • 数据过滤网络

    通过构建数据过滤网络，该论文研究了大训练集上数据筛选的问题，并基于该网络构建了新的图像 - 文本数据集，为状态 - of-the-art 模型训练提供了高性能数据集，同时还释放了可从公开数据从头训练高性能数据过滤网络的新的 200 亿样本数据集，以促进数据集设计的进一步研究。

    Sep, 2023

  • 动态特征金字塔网络用于物体检测

    本文通过扩大特征金字塔网络（FPN）的感受野来增强空间信息，从而提高目标检测精度，提出了一种新的动态 FPN（DyFPN）方法，它可以通过适应性选择分支进行动态计算，以在维持高性能的情况下更有效地利用计算资源。实验证明，与基准模型相比，采用 DyFPN 可以以更少的计算量获得相似的高性能。

    Dec, 2020