FishNet：用于图像、区域和像素级预测的多功能骨干网络

Jan, 2019

FishNet：用于图像、区域和像素级预测的多功能骨干网络

FishNet: A Versatile Backbone for Image, Region, and Pixel Level Prediction

Shuyang Sun, Jiangmiao Pang, Jianping Shi, Shuai Yi, Wanli Ouyang

TL;DR本文介绍了一种名为 FishNet 的卷积神经网络，它保留并精细地运用各种分辨率的信息，能够更好地解决卷积神经网络中深层和浅层之间的梯度信息传播问题，在 ImageNet-1k 和 COCO Detection 竞赛中具有卓越的性能表现。

Abstract

The basic principles in designing convolutional neural network (CNN) structures for predicting objects on different levels, e.g., image-level, region-level, and pixel-level are diverging. Generally, network structures designed specifically for image classification are directly used as

convolutional neural network fishnet gradient propagation imagenet-1k coco detection

发现论文，激发创造

PixelNet：通向通用像素级架构

通过采用分层抽样和多尺度特征的方法，优化以卷积预测器为基础的像素级预测问题的神经网络结构，显著提高了模型在低级边缘检测、中级表面法线估计和高级语义分割中的性能.

Sep, 2016

DetNet：一种用于物体检测的骨干网络

本文提出了一个新的针对目标检测任务的骨干网络 DetNet，该网络特别设计用于目标检测任务，并包括针对传统分类网络的额外层，同时保持更高的空间分辨率。该网络在 MSCOCO 基准测试上取得了实例分割和目标检测领域的最先进结果。

Apr, 2018

FishNet：用于低成本鱼类存量估计的深度神经网络

提出了一种基于计算机视觉的自动化鱼类数量评估系统，该系统能够通过低成本数字相机拍摄的图像进行鱼类分类和尺寸估计，训练模型在手动标注的 50000 张图像数据集上训练，实现了鱼类分割、物种分类和长度估计任务的高精度。

Mar, 2024

SpineNet：学习尺度置换骨干网络以进行识别和定位

本文提出了 SpineNet，这是一个具有尺度置换中间特征和跨尺度连接的主干网络，在神经架构搜索的目标检测任务中学习。它在各种尺度上使用类似的构建块进行建模，而使用的 FLOPs 较少。在各种检测器上，SpineNet-190 单模型获得了远高于之前检测器的 52.5% AP 结果，并且转移能力良好，在分类任务中表现出色，相较之前还获得了 5% 的上升。

Dec, 2019

PixelNet：以像素为本，由像素表示，为像素服务

本文提出了从像素边缘检测到表面法线估计到高级语义分割的像素级预测问题的设计原则，通过分层抽样像素来增加多样性，探索复杂的非线性预测器并通过单一的体系结构高效地训练各种像素标记任务，最终在 PASCAL-Context 数据集上的高级语义分割、NYUDv2 深度数据集上的表面法线估计和 BSDS 上的边缘检测任务中达到了最先进的结果。

Feb, 2017

利用局部特征包模型近似 CNN 在 ImageNet 上获得出色表现

介绍了一种高性能 DNN BagNet 架构，它对图像进行分类，基于小型局部图像特征的出现，不考虑它们的空间顺序，从而容易解释每个图像部分对分类的影响。

Mar, 2019

一种新的卷积网络结构及其在皮肤检测、语义分割和伪影减少中的应用

本文提出了一种修改的卷积网络 Inception Network，在去除 dense prediction 和 pooling 的缺点基础上，将大型卷积核添加在每一层中，应用于典型的图像到图像学习问题中，表现出了比同类问题还要好的效果，如：皮肤检测，语义分割和压缩伪像去除等。

Jan, 2017

基于区域全卷积网络的物体检测

本论文涉及基于区域的检测器，使用卷积网络实现高效的物体检测，使用位置敏感的得分图解决分类中的平移不变性和物体检测中的平移可变性的问题，可自然地采用全卷积图像分类器骨干网进行物体检测，以 101 层残差网络 (ResNet) 在 PASCAL VOC 数据集上取得 83.6% mAP 的竞争性结果，测试时间为每张图像 170ms，比 Faster R-CNN 快 2.5-20 倍。

May, 2016

CBNet：一种用于目标检测的新型复合骨干网络结构

本文提出了一种名为 CBNet 的复合骨干网络，通过组合相邻骨干的复合连接来形成更强大的骨干，可以显著提高基于 CNN 的检测器的性能，并且可以轻松地整合到大多数最先进的检测器中并显著提高它们的性能。

Sep, 2019

CSPNet: 一种新的骨干网，可增强 CNN 的学习能力

本文介绍了一种名为 Cross Stage Partial Network (CSPNet) 的深度神经网络，旨在通过减少多余的梯度信息占用，降低网络推理的计算资源消耗。该方法可以与 ResNet、ResNeXt 和 DenseNet 等不同类型的深度神经网络结构相兼容，且实验结果表明，该方法在 ImageNet 和 MS COCO object detection dataset 上的精度和推理速度优于当前的最佳技术。

Nov, 2019