我们提出了一种网络架构,用于执行高效的场景理解,包括改进的引导上采样模块,新的基于空间采样的实例分割模块和高效网络设计,并测试其在不同数据集上的性能,该网络是目前发表的场景理解中最高效的架构之一,对于语义分割比最快的竞争对手准确性高 8.6%,对于实例分割几乎快五倍于最高效的网络。
May, 2019
本研究提出了一种基于本地上下文的语义引导图像生成方法,使用本地类别特定的生成网络构建和学习不同类别的子生成器以捕捉更精细的细节,通过一个分类模块来学习更具有鉴别性的类别特定特征表示,并使用一个注意力融合模块和双鉴别器结构嵌入的联合生成网络集成全局图像级别和本地类别特定生成的优点,同时提出了一种新颖的语义感知上采样方法,可以更好地保持相同语义标签实例的语义一致性。
Feb, 2022
本文提出了一种数据依赖性上采样层 (DUpsampling),该层能够更好地恢复 CNN 编码器输出的低分辨率特征图到像素预测。研究结果表明,使用该层的解码器可实现更低计算复杂度的高精度语义分割,达到了最优之上的状态。
Mar, 2019
U-Net 及其变种在医学图像分割中被广泛使用,然而大多数变种仅仅将改进策略局限于构建更复杂的编码器,而忽视了解码器的真正功能和提高分割结果的关键作用。为解决相关研究的空白,我们引入了 neU-Net,其中包括一种新颖的子像素卷积来进行上采样,以构建强大的解码器,并在编码器端引入多尺度小波输入模块以提供额外的信息。我们的模型设计在 Synapse 和 ACDC 数据集上取得了出色的结果,超过了其他最先进的方法。
Sep, 2023
本研究提出了一种全新的、通过高分辨率图像引导的、精确高效的稀疏深度数据上采样方法,使用结构化边缘检测和语义场景标记来获取目标边缘线索,并将两种线索结合于测地距离度量中,进而在利用局部内容的情况下,实现了保持边界的深度插值,通过将观察到的场景结构建模为本地平面元素,并将上采样任务形式化为全局能量最小化问题,定出全局一致的解决方案,有效地保留了细节和深度边界,实验结果表明,与现有技术相比,本研究方法在不同的应用水平下均表现出卓越的性能。
Aug, 2016
通过使用我们提出的双引导注意 (DGA) 模块对两个分支网络中的特征进行融合,我们在速度与准确性之间取得了良好的平衡,实现了与常用多层融合相当的性能。
Oct, 2023
该论文提出了一种改进像素级语义分割的深度学习方法,其中涵盖了密集上采样卷积和混合空洞卷积框架,达到了在 Cityscapes 等数据集上的最先进结果。
Feb, 2017
自动驾驶汽车的语义分割是理解周围环境的关键技术。研究通过融合编码器 - 解码器和两通道架构,提出了空间助理编码器 - 解码器网络(SANet),并在设计中利用不同分辨率的特征提取和池化模块以优化特征提取和实现语义提取,最终在实时 CamVid 和 Cityscape 数据集上达到竞争性的结果。
通过卷积神经网络实现人脸超分辨率,使用面部分割和注意力机制保留面部特征,迭代地对高分辨率图片进行处理以达到更好的视觉效果和量化指标,达到了当前技术的最佳表现。
Oct, 2019
提出了一种简单而有效的引导上采样方法,通过优化上采样误差的低分辨率像素的索引和权重来表示高分辨率图像中的每个像素,从而更好地保留细节效果,并抑制出血和模糊等伪影,该方法适用于交互式图像编辑和实时高分辨率视频处理。
Jul, 2023