用于语义分割的非对称非局部神经网络
该论文提出了一种渐近特征金字塔网络(AFPN),通过渐进地将更高层次的特征融入到融合过程中,实现了不相邻层次的直接交互,并采用了自适应空间融合操作来缓解可能出现的多目标信息冲突。实验评估结果表明,AFPN 比其他最先进的特征金字塔网络具有更具竞争力的结果。
Jun, 2023
本文提出了 AutoNL 算法解决了 Non-Local blocks 难以嵌入移动神经网络和配置不优等问题。AutoNL 设计了轻量级的 Lightweight Non-Local block 和一种有效的神经架构搜索算法,仅使用 32 个 GPU 小时即在 ImageNet 数据集的 350M FLOPs 的移动设定下实现了 77.7%的准确率,显著优于 MobileNetV2,FBNet 和 MnasNet 等先前的移动模型。
Apr, 2020
本文提出了一个轻量级 LRNNet 模型,实现了高效的实时语义分割问题,通过降低计算成本和内存占用的非局部模块实现了更准确的非局部特征融合。实验证明,在训练时只使用精细注释数据的情况下,LRNNet 在 Cityscapes 测试数据集上达到了 72.2% 的 mIoU,并具有更好的轻量级,速度,计算和精度之间的平衡。
Jun, 2020
本文提出了一种新的视角,将非局部模块看作在完全连接的图上生成的一组图滤波器,并使用 Chebyshev 图滤波器推导出了一种统一的公式以解释和分析现有的非局部模块,并提出了一种更加高效和稳健的谱非局部模块,该模块可以更好地捕获深度神经网络中的长距离依赖,实验结果表明,该方法在图像分类、动作识别、语义分割和人员重识别任务中具有明显的改进和实际适用性。
Aug, 2021
本文研究了非局部块,发现其关注计算可以分为两个项,其中白化的成对项和一元项分别代表两个像素之间的关系及每个像素的显著性。本文提出了解耦的非局部块,证明了该设计在不同任务中的有效性。
Jun, 2020
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
本文介绍了一种名为 PointASNL 的新型端到端网络,旨在有效处理噪声的点云,并通过自适应采样模块和局 / 非局部模块来实现点云的鲁棒特征学习和降噪,并在各种数据集上获得了出色的性能。
Mar, 2020
针对医学图像分割的局限性,我们提出了一种新的架构,Perspective+ Unet。该架构具有三个主要创新点:在编码器阶段引入了双通道策略,通过结合传统和扩张卷积的结果,既保持了局部感知域又显著扩展了它,从而更好地理解图像的全局结构;采用高效的非局部变换块 ENLTB 来有效地捕捉长程依赖关系,具有线性计算和空间复杂性;采用空间交叉尺度集成策略,在模型阶段跨级别细化特征,以协调全局和局部信息。我们在 ACDC 和 Synapse 数据集上进行了实验,结果验证了我们提出的 Perspective+ Unet 的有效性。
Jun, 2024