Nov, 2018

CGNet：一种用于语义分割的轻量级上下文引导网络

PDF
TL;DR本文提出一种轻量、高效的语义分割网路 —— 受上下文引导的网路（CGNet），其基于 CG 块学习局部特征和周围上下文的联合特征，并通过全局上下文进一步改善。CGNet 在所有网络阶段捕获上下文信息，特别地为了提高分割准确度而设计，并精心设计以减少参数数量和内存占用。实验表明，在等效参数数量下，所提出的 CGNet 在 Cityscapes 和 CamVid 数据集上显著优于现有的分割网络。
发现论文，激发创造
  • 零样本语义分割的上下文感知特征生成

    本文提出了一种上下文感知特征生成方法，命名为 CaGNet，通过引入上下文模块来捕获像素级别的上下文信息，并从语义词嵌入中生成更丰富和上下文感知的特征，从而实现了零样本语义分割任务中的最先进结果。

    Aug, 2020

  • ContextNet：探索上下文及细节用于实时语义分割

    ContextNet 提出了一种新的深度神经网络架构，利用分解卷积、网络压缩和金字塔表示等技术，实现了高效的全局上下文信息提取和高分辨率分割细节捕捉，从而在保持精度的前提下，降低了内存需求，实现了具备实时性和低存储成本的语义分割。

    May, 2018

  • 基于上下文聚合网络的实时语义分割

    该论文提出了一种上下文聚合网络，通过较低的计算成本实现了准确的图像场景分割，适用于自主系统及实时应用。

    Nov, 2020

  • CCNet：用于语义分割的交叉注意力

    提出使用 Criss-Cross 网络来获取图像的上下文信息，通过使用新的 Criss-Cross attention 模块，可以收集其交叉路径上所有像素的上下文信息，并且使用循环操作可以使每个像素最终捕获整个图像的依赖关系，并提出类别一致性损失以促进该模块产生更具有鉴别性的特征。CCNet 的优点有：1）GPU 内存友好性。与非本地块相比，所提出的循环 Criss-Cross attention 模块需要 11 倍的 GPU 内存使用。2）高计算效率。循环 Criss-Cross attention 可以将 FLOPs 显著减少约 85%。3）达到了最先进的性能， 在语义分割基准测试包括 Cityscapes，ADE20K，人体解析基准测试 LIP，实例分割基准测试 COCO，视频分割基准 CamVid 上都经过了广泛的实验，我们的 CCNet 特别是在 Cityscapes 测试集上获得了 mIoU 分数为 81.9％的新的最先进结果，ADE20K 验证集和 LIP 验证集分别是 45.76％和 55.47％。

    Nov, 2018

  • 基于上下文引导的空间特征重建用于高效语义分割

    这篇论文提出了一种基于上下文引导的空间特征重建的高效而竞争力强的分割框架 CGRSeg，包括矩形自校准模块、动态原型引导头等，经过在 ADE20K、COCO-Stuff 和 Pascal Context 基准上的广泛评估，取得了语义性能的最新成果。

    May, 2024

  • 上下文感知交互网络用于 RGB-T 语义分割

    RGB-T 语义分割技术在自动驾驶场景理解中起着关键作用。本研究提出了一种用于 RGB-T 语义分割的上下文感知交互网络（CAINet），通过建立交互空间来利用辅助任务和全局上下文进行显式引导学习。通过引入上下文感知的互补推理模块、全局上下文建模模块和细节聚合模块，以及特定辅助监督，对多模态特征之间的互补关系进行建模，进一步提高分割效果。对 MFNet 和 PST900 两个基准数据集进行的大量实验表明，CAINet 能够达到最先进的性能。

    Jan, 2024

  • 上下文感知语义分割分类器的学习

    利用数据依赖的上下文感知分类器通过学习附加环境提示，适应不同的潜在分布，从而解决分割不同场景多样化特征分布的困难，进而显著提高分割模型的性能.

    Mar, 2023

  • GINet: 场景解析的图交互网络

    本文提出了图交互单元和语义上下文损失的方法，将语言学知识引入视觉图，增强上下文推断和刻画高层语义，最终在场景解析等任务上取得了优越的表现。

    Sep, 2020

  • 双图卷积网络用于语义分割

    本文提出了一种基于图卷积网络的新方法 (DGCNet)，主要用于像素级预测任务，为解决语义分割问题提供长程上下文信息建模。通过建模两个正交图来模拟输入特征的全局上下文，并通过将特征投影到新的低维空间来有效地实现。实现的模型在 Cityscapes 和 Pascal Context 数据集上取得了最优结果

    Sep, 2019

  • SGNet：一种用于图像分类和物体检测的超类引导网络

    本文提出了一种基于超类引导网络的图像分类与目标检测模型，通过引入高级语义信息优化模型的性能，该模型采用两级类别标注包含了超类别和细分类别，使用两种不同的推断策略来预测图像的类别，实验证明了该方法在 CIFAR-100 和 MS COCO 数据集上具有卓越的性能表现。

    Apr, 2021