像素级注意力门控用于简洁像素标注

May, 2018

像素级注意力门控用于简洁像素标注

Pixel-wise Attentional Gating for Parsimonious Pixel Labeling

Shu Kong, Charless Fowlkes

TL;DR本篇论文提出一种基于 Pixel-wise Attentional Gating 的模型优化方案，使得在计算资源受限的前提下，模型在特定任务上（如：语义分割、边界检测、深度估计等）可以达到与其他相关方法相抗衡或处于领先地位。这种方案可以通过学习空间变化的池化区域来提高模型性能，同时针对每个像素学习动态计算策略，以降低总体计算量，并在不影响准确性的情况下提供更好的性能平衡。

Abstract

To achieve parsimonious inference in per-pixel labeling tasks with a limited computational budget, we propose a \emph{pixel-wise attentional gating} unit (\emph{PAG}) that learns to selectively process a subset o

per-pixel labeling pixel-wise attentional gating deep convolutional network computation cost spatial allocation

发现论文，激发创造

极化自注意力：迈向高质量的逐像素回归

本文提出了一种双极化自注意力块 (Polarized Self-Attention, PSA) 来解决细粒度计算机视觉任务中的高质量像素回归问题，凭借极化滤波和增强以及在通道枝和空间枝中的最大表示能力，PSA 在 2D 姿态估计和语义分割基准测试上优于标准基准和先进技术。

Jul, 2021

像素级图注意力网络的人物再识别

探索图注意力网络在图像特征提取中的应用，通过图生成算法将图像转换成图，并利用图注意力网络更新节点特征，设计了基于像素的图注意力网络应用于人员再识别任务，在多个数据集上都取得了优于现有方法的性能。

Jul, 2023

PiCANet：基于像素级上下文注意力学习的精确显著性检测

本文提出了一个名为 PiCANet 的新型像素级上下文关注网络，通过对上下文区域的关注权重进行学习，选择性地融合有用的上下文特征，最终应用于显著性检测、语义分割和物体检测等领域，相对于其他同类方法性能有显著的提升。

Dec, 2018

注意力门控网络：学习在医学图像中利用显著区域

提出了一种新型的注意力门模型，可自动学习聚焦各种形状和大小的目标结构，在卷积神经网络模型中集成可以提高模型灵敏度和预测准确性并加速计算，应用于医学图像分类和分割任务中可提高模型预测性能并改进其启发机制。

Aug, 2018

PixelNet：以像素为本，由像素表示，为像素服务

本文提出了从像素边缘检测到表面法线估计到高级语义分割的像素级预测问题的设计原则，通过分层抽样像素来增加多样性，探索复杂的非线性预测器并通过单一的体系结构高效地训练各种像素标记任务，最终在 PASCAL-Context 数据集上的高级语义分割、NYUDv2 深度数据集上的表面法线估计和 BSDS 上的边缘检测任务中达到了最先进的结果。

Feb, 2017

增强空间上下文的潜在图注意力

本文介绍了一种计算效率高且模块化的框架 ——Latent Graph Attention（LGA），该框架能够将全局背景信息融入现有架构中，特别是能够使小型架构的性能接近大型架构，从而使轻量级架构在计算能力和能源需求较低的边缘设备中更加有效。在透明物体分割、去雾图像恢复和光流估计三个应用中，LGA 模块的引入改善了性能。

Jul, 2023

PiCANet：学习像素级的背景上下文注意力进行显著性检测

本文提出了一种像素级的上下文注意力网络 ——PiCANet，旨在学习选择性地注意每个像素的信息上下文位置，通过全局和局部形式，构建所关注的上下文特征，与 U-Net 结构相结合，可以准确且均匀地检测显著对象，在显著性检测性能方面表现优异。

Aug, 2017

Patchwork: 基于分块注意力网络的视频流高效物体检测和分割

本文提出一种针对延迟敏感应用的硬关注机制，通过选择和处理框架的一个小子窗口，预测整个框架的结果，使得该方法在不影响准确性的前提下减少了大约四倍的延迟，并且使用特殊的内存单元和策略训练策略进一步提高了性能。

Apr, 2019

使用图形注意力网络的超像素图像分类

本研究提出了使用图神经网络模型进行图像分类的方法，将输入图像转换为区域邻接图，在该图中，区域是超像素，边连接相邻超像素。实验表明，将图卷积与自我关注机制相结合的图注意力网络（GATs）优于其他图神经网络模型。

Feb, 2020

几个像素就够了：使用 PixelPick 进行语义分割

通过仅在稀疏像素位置提供标签，深度神经网络可以实现良好的语义分割性能，结合主动学习机制和高效注释策略可以大大减少标注成本，并在 CamVid，Cityscapes 和 PASCAL VOC 2012 数据集上进行了实验证明了相当可比的性能。

Apr, 2021