CVPRApr, 2019

像素自适应卷积神经网络

PDF
TL;DR本文提出了一种新型卷积操作叫做像素自适应卷积 (PAC)，其通过学习本地像素特征来修改传统卷积操作，此方法适用于多种应用场景，具有优异的性能表现，包括使用 PAC 进行深度图像上采样、使用 PAC-CRF 替代 Full-CRF 等。同时，本文还证明了在预训练网络中使用 PAC 操作可以提高网络性能。
发现论文，激发创造
  • 概率像素自适应精细化网络

    通过考虑神经网络对其预测的置信度，提出了概率像素自适应卷积 (PPAC) 的模型，其通过图像向导数据进行滤波，同时将高置信度的像素传递到不可靠区域，从而达到了适用于密集预测任务的图像后处理的效果，应用于光流和语义分割中具有实用价值

    Mar, 2020

  • 适应像素滤波单元

    本文提出了像素自适应滤波单元（PAFU），它引入可微分的核选择机制和离散的、可学习的、不相关的核组，实现了基于内容的空间适应。将其应用于深度神经网络中，代替标准的卷积层，并在不同的图像处理和计算机视觉任务中展示了其有效性。

    Nov, 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

  • 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

  • 卷积神经网络中的内容自适应下采样

    该论文提出了一种适应性下采样方案，通过允许以更高的分辨率处理信息丰富的区域而不是信息较少的区域，从而提高了各种已建立 CNN 的成本 - 准确性权衡效果。

    May, 2023

  • 卷积神经网络的 PAC-Bayesian 边界

    本文将 PAC-Bayesian 框架应用在卷积神经网络中，以分析深度神经网络的泛化误差问题，该方法之前已在全连接神经网络中进行验证。

    Dec, 2017

  • 填充感知神经元

    通过激活值识别和研究静态填充卷积模型中的边界感知神经元，探索它们对模型性能的影响以及其在数据中引起的偏差。

    Sep, 2023

  • PAConv: 基于点云动态内核组装的位置自适应卷积

    引入了 Position Adaptive Convolution (PAConv) 算法，该算法通过使用 ScoreNet 从点位置自适应学习基础权重矩阵，并动态组装构建卷积核，从而实现更好处理不规则和无序点云数据的能力，在不改变网络配置的情况下将其集成到传统的基于多层感知器的点云管道中。

    Mar, 2021

  • 基于 PCA 的卷积网络

    本文提出了一种新颖的无监督深度学习模型，叫做基于 PCA 的卷积神经网络（PCN）。PCN 的结构由多个特征提取阶段和一个非线性输出阶段组成，其中卷积层的滤波器是通过 PCA 算法学习得到的，而在非线性输出阶段，采用二进制哈希。实验结果表明，PCN 在手写数字识别、人脸识别和纹理分类等挑战性任务中表现优秀，而且由于没有监督微调的反向传播，因此比现有的深度网络更高效。

    May, 2015

  • 像素反卷积网络

    该研究提出了基于重构思想的像素反卷积层（PixelDCL），用于建立上采样后特征映射中相邻像素之间的直接关系，通过在语义分割和图像生成任务中的应用，可以有效地解决反卷积层存在的棋盘格问题，并提高图像分割的准确性。

    May, 2017