准确性增强器:使用特征图重新校准提升性能
本文介绍了一种基于 “挤压与激励” 模块的语义分割模型架构,通过简单计算模块提高模型分割精度,模块只带来了 1.5% 的模型复杂度增加。
Aug, 2018
本文提出了一种针对 Fully Convolutional Networks 进行语义分割的特征重组和空间自适应重新校准块 - SegSE 块。通过考虑跨通道信息和空间相关性来重新校准特征图,实验证明,重组和重新校准可以提高基线结果,并推广到三个不同问题:脑肿瘤分割,中风暗区估计和缺血性中风病变结局预测,其结果具有竞争力或优于现有技术水平。
Jun, 2020
本文介绍了一个新颖的通用操作流程来在 3D 卷积神经网络中扩展现有的 2D 重新校准方法,并提出了专为 3D 网络定制的 Project & Excite(PE)模块,使其能更好地保留空间信息并实现对医学图像的分割性能提升。
Feb, 2020
本文提出使用 Squeeze & Excitation 模块,分别从空间和通道两个角度分为三个变体,提高卷积神经网络的特征表示能力,在脑部和器官分割上取得了良好的效果。
Mar, 2018
本文介绍了一种通过与密集层结合的聚合多层感知机,用于改进现有体系结构,提高高级特征表示能力的方法。通过对基于图像分类的现有体系结构进行实验比较,结果表明该方法显著提高了分类准确度。
Nov, 2023
本文介绍了一个新颖的 CNNs 图像恢复架构,名为 MIRNet,该架构具有多尺度残差块、多分辨率卷积流、空间和通道注意力机制、基于注意力的多尺度特征聚合等关键特征,能够同时维护高分辨率精确表达和从低分辨率表示中获得强有力的语境信息。实验结果表明,MIRNet 在图像去噪、超分辨率和图像增强等多项任务中取得了最先进的结果。
Mar, 2020
本文旨在深入探究 CNN 中的特征方面,发现 CNN 特征映射可用于随机森林和 SVM,以产生超越原始 CNN 的分类结果;使用较低层次的特征可以获得更好的分类结果。
Jul, 2015
研究使用现有卷积神经网络 (ConvNets) 的三种策略:完全训练、微调和使用 ConvNets 作为特征提取器,并在使用三个遥感数据集进行了实验,结果发现对 ConvNets 进行微调是最佳的策略,使用微调后的 ConvNets 特征与线性 SVM 结合可以获得最佳结果,同时也在三个数据集上取得了最先进的结果。
Feb, 2016
本文提出了 ME-CapsNet,一种结合卷积神经网络和胶囊网络的优化方法,使用了 Squeeze-Excitation 网络和深度卷积层来提取重要的特征信息,显著提高了复杂数据集上的准确率。
Mar, 2022