Aug, 2019

深度高分辨率表示学习用于视觉识别

PDF
TL;DRHigh-Resolution Network (HRNet) is a new computer vision framework that maintains high-resolution representations through the whole process, resulting in semantically richer and spatially more precise representations, which outperforms existing state-of-the-art frameworks in human pose estimation, semantic segmentation, and object detection.
high-resolution networkcomputer visionhuman pose estimationsemantic segmentationobject detection
发现论文，激发创造
  • 用于像素和区域标注的高分辨率表示

    本论文对高分辨率表示学习进行进一步的研究，并通过在各种视觉任务中应用简单而有效的修改来增强高分辨率表示，实验表明，这种方法优于现有的方法，并在 Cityscapes、LIP 和 PASCAL Context 等数据集上取得了最佳结果。此外，本论文构建了一个多层表示，并将其应用于 Faster R-CNN 目标检测框架以及拓展框架，并在 COCO 目标检测上实现了超越现有单模型网络的卓越表现。

    Apr, 2019

  • 深度高分辨率表示学习人体姿态估计

    本论文利用 pytorch 实现了一种深度高分辨率表示学习方法用于人体姿态估计，通过建立多分辨率子网并在并行连接中进行信息融合，最终得到更精准、更高精度的关键点热图，实验证明该方法在 COCO 关键点检测数据集和 MPII 人体姿态数据集上具有显著优势。

    Feb, 2019

  • 利用高分辨率特征优化基于深度哈希的图像检索

    深度哈希技术利用高分辨率特征提取的高分辨率哈希网络（HHNet）在复杂数据集上显示出优于现有方法的性能提升，强调了在复杂图像检索任务中学习高分辨率特征的必要性。

    Mar, 2024

  • HigherHRNet：基于比例感知的自下而上人体姿势估计表示学习

    这篇论文提出了 HigherHRNet，一种新的从下往上的人体姿态估计方法，使用高分辨率特征金字塔学习尺度感知表示，具有多分辨率监督训练和多分辨率聚合推理的能力，能够解决下向多人姿势估计中的尺度变化挑战，从而更精确地定位关键点，尤其适用于小尺寸人体，实现了比以前最好的下向方法在 COCO test-dev 中中等人体上 2.5% AP 的提高。在 CrowdPose test 上，HigherHRNet 甚至超过了所有自上而下的方法，表明其在拥挤场景中具有鲁棒性。

    Aug, 2019

  • 多阶段 HRNet: 用于人体姿态估计的多阶段高分辨率网络

    本文介绍了一种名为 Multi-Stage HRNet 的人体姿势估计模型，并采用多阶段网络和交叉阶段特征聚合等技术优化了关键点位置，从而在 COCO 数据集上取得了 77.1 AP 得分。

    Oct, 2019

  • Hi-ResNet：高分辨率遥感图像语义分割网络

    本研究提出了一个高分辨率遥感图像网络模型，可解决同类别地物在不同地理环境下形态和比例显著不同，以及复杂背景噪声干扰下影响现有学习算法效果的问题。该模型包含漏斗模型、信息聚合模块、特征精炼模块和 CEA Loss 损失函数，并通过有效的预处理策略，在三个高分辨率遥感图像分割基准数据集上取得了优异表现。

    May, 2023

  • HRDNet：用于小物体高分辨率检测的网络

    本文提出了基于高分辨率检测网络（HRDNet）和多深度图像金字塔网络 (MD-IPN)、多尺度特征金字塔网络 (MS-FPN) 的小目标检测方法，实验表明，该方法在小目标上具有最先进的性能。

    Jun, 2020

  • HRFormer: 用于密集预测的高分辨率 Transformer

    本研究提出了一种名为 High-Resolution Transformer 的方法，用于学习密集预测任务中的高分辨率表示， 并取得了在人体姿态估计和语义分割任务中较好的结果。

    Oct, 2021

  • Lite-HRNet：轻量级高分辨率网络

    本论文提出了高效高分辨率网络 Lite-HRNet，通过条件通道加权替代 shuffle blocks 中的昂贵的逐点（1x1）卷积来提高轻量级网络，对人体姿势估计和语义分割任务都能提供卓越的结果。

    Apr, 2021

  • HR-NAS: 使用轻量级 Transformer 搜索高效高分辨率神经结构

    本项研究提出了一种名为 HR-NAS 的新型神经结构搜索方法，采用多分辨率特征编码和轻量级 transformer 来动态产生网络架构，并通过高分辨率肢体姿态分割、目标检测和图像分类等密集预测任务的实验结果证明其能够在小的计算预算下实现最先进的性能和 FLOPs 折衷。

    Jun, 2021