解码器对语义分割至关重要：数据相关的解码器实现灵活的特征聚合

CVPRMar, 2019

解码器对语义分割至关重要：数据相关的解码器实现灵活的特征聚合

Decoders Matter for Semantic Segmentation: Data-Dependent Decoding Enables Flexible Feature Aggregation

Zhi Tian, Tong He, Chunhua Shen, Youliang Yan

TL;DR本文提出了一种数据依赖性上采样层 (DUpsampling)，该层能够更好地恢复 CNN 编码器输出的低分辨率特征图到像素预测。研究结果表明，使用该层的解码器可实现更低计算复杂度的高精度语义分割，达到了最优之上的状态。

Abstract

Recent semantic segmentation methods exploit encoder-decoder architectures to produce the desired pixel-wise segmentation prediction. The last layer of the decoders is typically a bilinear upsampling procedure to recover the final pixel-wise prediction. We empirically show that this ov

semantic segmentation upsampling layer cnn encoders computation complexity state-of-the-art performance

发现论文，激发创造

解码器的魔鬼：分类、回归与 GANs

本文介绍了一种新的像素预测器：双线性加性上采样，同时比较了各种类型解码器在各种像素级任务中的表现，发现解码器类型对于结果影响很大，并探讨了预测产生的伪影问题。

Jul, 2017

编码器更复杂并非唯一需求

U-Net 及其变种在医学图像分割中被广泛使用，然而大多数变种仅仅将改进策略局限于构建更复杂的编码器，而忽视了解码器的真正功能和提高分割结果的关键作用。为解决相关研究的空白，我们引入了 neU-Net，其中包括一种新颖的子像素卷积来进行上采样，以构建强大的解码器，并在编码器端引入多尺度小波输入模块以提供额外的信息。我们的模型设计在 Synapse 和 ACDC 数据集上取得了出色的结果，超过了其他最先进的方法。

Sep, 2023

实时语义分割引导上采样网络

本文提出了一种名为 Guided Upsampling Network 的神经网络，它由多分辨率结构和引导上采样模块（GUM）组成，可用于基于编码器 - 解码器结构的语义分割模型中，并在 Cityscapes 数据集上进行了定量和定性实验，证明了该模型的效果优越。

Jul, 2018

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

全局反卷积网络用于语义分割

本文提出了一种新型架构，用于全局地等效进行反卷积操作并获取密集预测进而解决卷积神经网络在语义图像分割任务中的两个独特挑战，即低分辨率输出与局部特征提取中的全局信息不足。实验结果表明，在 PASCAL VOC 2012 基准测试中，本文方法取得了 74.0% 的平均 IU 准确率，优于当前最先进的语义分割模型。

Feb, 2016

加强的编码 - 解码网络架构对图像语义分割中的信息损失进行减少

本研究提出了一种创新的编码器 - 解码器网络结构，利用残差连接增强了传统 SegNet 架构在图像语义分割任务中的准确性。通过多重残差连接策略有效地保留了不同图像尺度上的细节，从而最小化了下采样过程中的信息丢失。此外，为了增强网络训练的收敛速度并减轻样本不平衡问题，我们设计了一种修改后的交叉熵损失函数，引入了平衡因子来优化正负样本的分布，从而提高了模型训练的效率。实验评估结果表明，我们的模型在信息损失减少和语义分割准确性改善方面取得了显著的成果。特别地，在数据集上，与传统 SegNet 相比，提出的网络架构在精细注释的平均交并比（mIoU）上有着明显的改进。该提出的网络结构不仅降低了人工检查的成本，还可以扩大 AI 驱动的图像分析在不同领域中的应用规模。

May, 2024

采用空洞可分离卷积的编码器 - 解码器用于语义图像分割

本文介绍了一种深度学习模型 DeepLabv3+，将网络的编码器和解码器模块相结合，采用空洞空间金字塔池化和深度可分离卷积技术，用于语义分割任务，实验表明该模型取得 89.0% 和 82.1% 的测试集性能，且附有 TensorFlow 参考实现。

Feb, 2018

SegNet：一种用于强健语义像素级标注的深度卷积编码器 - 解码器架构

提出 SegNet，一种用于语义像素级图像标注的深度编码器 - 解码器结构。该网络通过编码器捕捉图像特征，并使用解码器映射到原始图像尺寸，实现了准确的像素级预测。在无需额外辅助信息的情况下，在几个公共基准数据集上的表现均优于最先进的方法。

May, 2015

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

自适应深度监督下密集解码网络的医学图像分割

提出了一种基于深度神经网络的医学图像分割方法，通过引入 ' 拐杖 ' 网络连接以获得精细的密集预测，并采用自适应深度监督训练策略以提取鲁棒特征。通过在网络解码器的每个上采样阶段引入 ' 拐杖 ' 连接，增强了目标定位和分割性能，并通过匹配网络的有效感受野来指导辅助监督位置的选择，从而实现了对特定输入特征的注意。在 4 个不同模态的多样数据集上验证了该方法的有效性。

Feb, 2024