Nov, 2018

通过特征融合和分割监督学习更好的人脸检测特征

PDF
TL;DR本文提出了一种新的单次面部检测网络 DF $^2$ S $^2$，其引入了更有效的特征融合金字塔和在 ResNet-50 上更高效的分割支路来处理细节、遮挡和模糊等问题，并在更高级别的特征映射中应用语义信息作为上下文线索，以增强低级别特征映射，最大限度地利用检测监督信息并在自我监督的方式下，处理语义与细节之间的失衡，并在 WIDER FACE 数据集上取得了最先进的结果。
face detectionconvolutional neural networkfeature fusionsegmentation supervisionwider face dataset
发现论文，激发创造
  • ASAP：高准确度实时语义分割

    本文提出使用 Feature Fusion with Different Norms (FFDN)，利用多重尺度的丰富全局上下文信息和垂直池化模块来减少在垂直方向上全局上下文编码的复杂度。在城市风景测试数据集上，平均交互并集（mIoU）为 73.1，每秒帧数（FPS）为 191，与目前最先进的结果相当。

    Oct, 2022

  • F2Net: 基于学习前景关注的无监督视频目标分割

    本文提出了一种新颖的‘Foregraound Network (F2Net)’，使用 Siamese 编码器模块、中心引导外观扩散模块和动态信息融合模块等方法，实现了在深度学习和视频对象分割的领域内的最新成果，提高了分割性能。

    Dec, 2020

  • 基于空间融合网络的实时语义分割

    本文提出了一种高效的 CNN 方法 ——MSFNet，它利用类边界监督和多特征融合模块来实现实时语义分割，并在 Cityscapes 和 Camvid 数据集上得到了比现有方法更好的结果。

    Nov, 2019

  • AugFPN: 改进目标检测多尺度特征学习

    本文分析了现有的特征金字塔结构在物体检测方面的问题，提出了一种新的名为 AugFPN 的特征金字塔架构，成功应用在 Faster R-CNN、RetinaNet 和 FCOS 等模型中，显著提高了平均精度 AP。

    Dec, 2019

  • 高性能精准人脸检测

    本篇研究通过 Intersection over Union (IoU) 回归的损失函数，两步分类和回归的检测方法，数据基于数据锚采样的增强，采用分类的最大输出操作，并且采用多尺度的测试策略在一个阶段的 RetinaNet 方法中应用一些技巧，从而获得高性能的人脸检测器。实验表明该算法在 WIDER FACE 数据集上的表现优于现有算法。

    May, 2019

  • DFANet: 深度特征聚合实时语义分割

    本文提出了一种名为 DFANet 的极其高效的卷积神经网络架构，用于在资源有限的情况下进行语义分割。通过子网络和子阶段级联聚合区分特征，通过多尺度特征传播，DFANet 大大减少了参数数量，并提高了模型学习能力，在速度和分割性能之间取得平衡。在 Cityscapes 和 CamVid 数据集上的实验证明了 DFANet 具有比现有最先进的实时语义分割方法快 2 倍，FLOPs 少 8 倍的卓越性能，同时提供可比较的准确性。具体而言，它在 Cityscapes 测试数据集上实现了 70.3％的 IOU 平均值，仅使用 1.7 GFLOPs，并在一张 NVIDIA Titan X 卡上以 160 FPS 的速度进行推断，在更高分辨率图像上推断时，实现了 71.3％的 IOU 平均值和 3.4 GFLOPs。

    Apr, 2019

  • S$^2$-FPN：面向实时语义分割的尺度可扩展的条形注意力引导特征金字塔网络

    本文提出一种名为 S^2-FPN 的轻量级模型，用于实时场景语义分割。该模型采用了注意力机制、尺度感知条带注意力以及全局特征上采样等多种方法，从而在准确度和速度之间达成权衡，提高了图像分割的效率。

    Jun, 2022

  • 基于注意力聚合的特征金字塔网络 A^2-FPN 用于实例分割

    通过提出基于注意力聚合机制的特征金字塔网络（A^2-FPN），来提升多尺度特征学习的能力， 在不同的实例分割框架中实现了一致的性能提升，例如，在使用 ResNet-50 和 ResNet-101 作为骨干网的 Mask R-CNN 中，相比于 FPN 增加了 2.1% 和 1.6% 的掩膜 AP。此外，在 Cascade Mask R-CNN 和 Hybrid Task Cascade 等强基线中，A^2-FPN 的掩膜 AP 分别提高了 2.0% 和 1.4%。

    May, 2021

  • 学习具有判别性特征网络的语义分割模型

    本文提出了一种新的语义分割方法，通过内部类别的一致性和类别之间的区分度两个方面的挑战，设计了一个包含两个子网络的鉴别特征网络 (DFN)，由平滑网络和边界网络组成。实验结果表明，该方法在 PASCAL VOC 2012 和 Cityscapes 数据集上取得了 86.2% 和 80.3% 的平均 IOU，达到了最先进的性能水平。

    Apr, 2018

  • 语义分割的特征早期融合

    通过将分类器网络与逆向 HRNet 架构集成，本文介绍了一种新颖的分割框架，用于高效的图像分割。我们的方法利用半监督预训练的 ResNet-50 骨干网络，在不同尺度上生成特征图，然后通过适应具有不同通道维度的逆向 HRNet 进行处理，产生最终的分割结果。在多个基准数据集上进行了严格测试，包括 Mapillary Vistas、Cityscapes、CamVid、COCO 和 PASCAL-VOC2012，使用像素精度和平均交并比（mIoU）等指标评估了分割性能。结果表明，我们提出的模型在实现高分割精度方面具有较高的效果，表明其在图像分析等各种应用中具有潜力。通过整合 ResNet-50 和逆向 HRNet 的优势，我们提出了对图像分割挑战的强大解决方案。

    Feb, 2024