KDDAug, 2018

平滑膨胀卷积以提高密集预测性能

PDF
TL;DR本篇研究针对膨胀卷积存在的网络粗颗粒化问题，提出了两种去网格化方法和 shared and separable operations 和 SS output layer 的概念，并且经过有效接受域分析和实验验证，发现这些方法和概念能够有效地提高膨胀卷积神经网络的性能。
dilated convolutionsdegridding methodsgridding artifactsshared and separable operationsss output layer
发现论文，激发创造
  • 用于图像分割的膨胀卷积平滑优化

    通过引入额外的平均层，我们提出了一种可以显著提高图像分割的扩张卷积效能的解决方法，其采用的低成本平滑方法具有比以前方法更高的计算效率。

    Mar, 2019

  • 扩张残差网络

    本文介绍了一种通过采用 dilated residual networks 提高图像分类准确性及在物体定位和语义分割等下游应用中的效果，同时探究了这种方法引入的网格伪影问题并提出了解决方法。

    May, 2017

  • DSNet：一种在语义分割中使用空洞卷积的新方法

    在语义分割任务中，采用空洞卷积作为增加感受野的方法，本研究通过在模型浅层引入大核心空洞卷积以及预训练图像编码器等策略，提出了 DSNet，一种新的双分支卷积神经网络结构，它在 ADE20K、Cityscapes 和 BDD 数据集上以更高的准确率和速度获得了最新的表现。

    Jun, 2024

  • 应用扩张 GRU 的扩张卷积在音乐源分离中的应用

    本文探讨了使用堆叠扩张卷积 (Dilated Convolution) 作为音乐源分离 (Music Source Separation) 的骨干，并使用改进的门控循环单元 (Dilated GRU) 结合扩张卷积的方法，对含有复杂乐音的信号进行处理，结果显示该模型在分离主音与伴奏方面，表现得与最先进水平相当或更好。

    Jun, 2019

  • 重新审视空洞卷积：一种用于弱监督和半监督语义分割的简单方法

    通过利用扩张卷积等方法，本文提出一种弱监督下语义分割的新模型，能够得到准确的物体分割结果，相较于之前的方法在具有 1,464 个分割掩码的半监督和仅有图像级标签的弱监督设置下，分别获得了 60.8％和 67.6％的高精度分割效果，成为当前最优秀的模型。

    May, 2018

  • 可学习间距的扩张卷积

    该研究提出了一种新型的 “可学习空隙扩张卷积”（DCLS）方法来增加卷积神经网络（CNN）的感受野大小，从而提高图像分类的准确性，而且不会增加可训练参数的数量。该方法可以通过在卷积核中只添加一些非零元素，然后通过反向传播技术学习它们的间距来实现。

    Dec, 2021

  • 理解卷积在语义分割中的应用

    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

  • 空洞卷积多尺度上下文聚合

    本文提出了一种特别为密集预测设计的新的卷积网络模块，该模块利用扩张卷积系统地汇集多尺度上下文信息，而不会丢失分辨率，并证明了该模块可以提高现有最先进的语义分割系统的精度。同时，作者还探究了将图像分类网络适应于密集预测的可能性，并提出了简化适应后的网络结构有助于提高精度。

    Nov, 2015

  • CASSOD-Net: 嵌入式视觉系统和应用的级联可分离扩张卷积结构

    通过提出 CASSOD 卷积网络和专用硬件系统，解决了处理 FOV 较大的问题需要花费与标准卷积相比的额外时间的问题。

    Apr, 2021

  • 用于密集预测任务的密集连接多扩张卷积网络

    本文介绍了一种新的用于高分辨率密集预测的卷积神经网络架构，称为 D3Net，其采用了多分辨率学习和逐渐膨胀的感受野来同时建模局部和全局模式，避免了深度网络中的深度耗散问题，并在图像和音频处理任务中取得了优越的性能。

    Nov, 2020