ECCVAug, 2018

用于高效地标定位的量化密集连接 U-Net

PDF
TL;DR本文提出了针对视觉地标定位的量化密集连接 U-Nets，通过采用 order-K 密集连接，并使用内存高效的实现来提高训练效率，以及使用低位宽数字量化权重、输入和梯度来降低内存消耗和高精度操作，实现了比其他基准定位器使用约 70% 更少参数、98% 更小的模型尺寸以及节省约 75% 训练内存的优异定位精度。
quantized densely connected u-netsvisual landmark localizationorder-k dense connectivityiterative refinementlow bit-width numbers
发现论文，激发创造
  • DenserNet: 使用多尺度特征聚合的弱监督视觉定位

    本文介绍了一种 Denser Feature Network 用于视觉定位，提出了一种新型的卷积神经网络，采用更密集的特征图来提高图像检索准确性和关键点特征的重复性，仅需要正负 GPS 标记图像对来训练模型。实验表明，该方法在四个具有挑战性的大规模定位基准测试和三个图像检索基准测试上都取得了优秀的表现。

    Dec, 2020

  • 基于双变形器的堆叠稠密 U-Net 网络用于鲁棒性人脸对齐

    我们提出了一种基于堆叠密集 U-Nets 的人脸关键点检测模型，采用新颖的网络结构和协同损失函数，通过变形卷积实现空间不变性，并在多个真实场景数据集上验证了模型的鲁棒性和在 3D 人脸识别方面的应用。

    Dec, 2018

  • 利用有限资源的分层二元卷积神经网络进行关键点定位

    本文提出了一种具有轻量、紧凑和适用于适用于计算资源有限应用的体系结构，并在人体姿势估计和面部对齐等定位任务上，详细研究了神经网络二值化的效果，提出了多种正交方法来提高性能，在此基础上，提出了一种新的分层、并行和多尺度残差架构，同时具有与标准瓶颈块相同数量的参数，从而填补了原始网络与其二值化对应物之间的差距，大幅提高了性能，并在人体姿势估计和面部对齐等最具挑战性的数据集上获得了最前沿的表现，同时探究了其性质与性能，并支持关于面部部分分割的其他结果。

    Aug, 2018

  • LQ-Nets: 针对高准确性和紧凑型深度神经网络的学习量化

    本文提出了一种用于深度神经网络（DNN）压缩的联合训练方法，以便同时训练量化器和 DNN，以便量化网络权重和激活，并提高量化模型的预测准确性。在 CIFAR-10 和 ImageNet 数据集上进行的全面实验显示，该方法在各种网络结构上都运行良好，超越了以前的量化方法。

    Jul, 2018

  • 通过特殊设计的上采样和注意力，实现密集预测的二进制量化神经网络

    提出了一种有效的上采样方法和高效的注意力计算策略，以实现从单一预测任务到密集预测任务的二进制神经网络（BNN）成功的转移。在 Cityscapes、KITTI road 和 ECSSD 上的实验充分显示了我们工作的有效性。

    May, 2024

  • 面向有限资源的二值化卷积关键点定位器用于人体姿态估计和面部对齐

    探讨神经网络二值化在人体姿态估计和面部对齐任务中的效果，提出了一种新的分层，平行和多尺度残差架构，该架构在性能方面具有显著改进，并在人体姿态估计和面部对齐任务中进行了实验，表现优异。

    Mar, 2017

  • 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

  • D2-Net: 一个可训练卷积神经网络，用于局部特征的联合检测和描述

    本文提出了一种使用卷积神经网络在像素级别取得可靠对应的方法，该模型可以同时作为密集特征描述符和特征检测器，并且在后期检测可以获得比传统低级结构的更稳定的关键点，从而实现了在无法获取更多注释信息的情况下训练该模型，该方法可以在难以定位的数据集（Aachen Day-Night localization dataset）和室内定位测试基准（InLoc indoor localization benchmark）中获得最先进的表现，同时在其他图像匹配和 3D 重建基准测试中也有竞争力。

    May, 2019

  • 利用 EfficientNet 和对比学习进行精准的全球位置估计

    本文提出了一种混合分类 - 检索方案，其中利用 EfficientNet 架构将图像分配到特定的地理单元，并使用训练有素的残差架构将输入图像映射到一个嵌入空间，以最小化相同位置图像的配对测地线距离，然后将两个模块与空间聚类方案相结合，通过搜索 - 单元内的聚合确定最终位置估计。结果表明，该方法的性能非常竞争，在 4 个公共数据集上均能取得新的最优表现。

    May, 2021

  • 卷积神经网络实现高效的物体定位

    通过深度卷积网络及位置细化模型使人体姿态的关节定位精度得到提升

    Nov, 2014