ACFNet:面向语义分割的注意力类特征网络
提出了一种新的模型,称为 AttaNet,用于在保持高效的同时捕获全局上下文和多级语义,通过 Strip Attention 模块和 Attention Fusion 模块实现低复杂度计算和加权特征融合技术,并在两个语义分割基准测试中进行了广泛的实验,取得了不同水平的速度 / 精度平衡和领先的表现。
Mar, 2021
该论文提出了一种基于 ACF-Net 的自动化结构状态评估方法,可以同时解析结构元素和分割元素上的表面缺陷。实验结果表明,该方法在元素解析和腐蚀分割方面优于当前已有的最先进方法,在新的基准数据集 SBCIV 测试集上获得了 92.11%的元素解析和 87.16%的腐蚀分割的高性能表现。
Jul, 2023
本论文研究了怎样在卷积神经网络中实现多尺度特征表示,提出了一种注重对每个像素位置进行加权的注意力机制。通过对三个大型数据集的广泛实验,证明了该方法的有效性。
Nov, 2015
本文提出了一种多路径编码器结构来提取多路径输入的特征,多路径注意力融合块模块来融合多路径特征,以及细化注意力融合块模块来融合高层抽象特征和低层空间特征。同时,提出了一种新的卷积神经网络架构,名为注意力融合网络 (AFNet)。基于该 AFNet,在 ISPRS Vaihingen 2D 数据集上达到了 91.7% 的整体精度和 90.96% 的平均 F1 分数,在 ISPRS Potsdam 2D 数据集上达到了 92.1% 的整体精度和 93.44% 的平均 F1 分数,取得了最先进的性能。
May, 2021
我们提出了一种基于上下文和注意力特征融合增强的卷积神经网络(CNN)和 Transformer 混合网络(CAFCT)模型,用于肝肿瘤分割。在所提出的模型中,引入了其他三个模块:注意力特征融合(AFF)、DeepLabv3 的 Atrous 空间金字塔池化(ASPP)和注意力门(AGs),以改善与肿瘤边界相关的上下文信息,以实现准确的分割。实验结果表明,所提出的 CAFCT 在 Liver Tumor Segmentation Benchmark(LiTS)数据集上分别达到了 90.38% 的平均交并比(IoU)和 86.78% 的 Dice 分数,优于 Pure CNN 或 Transformer 方法,如 Attention U-Net 和 PVTFormer。
Jan, 2024
本文提出使用 Feature Fusion with Different Norms (FFDN),利用多重尺度的丰富全局上下文信息和垂直池化模块来减少在垂直方向上全局上下文编码的复杂度。在城市风景测试数据集上,平均交互并集(mIoU)为 73.1,每秒帧数(FPS)为 191,与目前最先进的结果相当。
Oct, 2022
我们提出了一种新颖的技术,使用由单独的卷积自编码器生成的特征图在卷积神经网络中加入了注意力结构体系。我们在皮肤癌分割和肺部病变分割的基准数据集上评估了模型,并与 U-Net 及其残差变体进行对比,结果表明性能颇具竞争力。
Feb, 2019
提出了一种基于上下文感知的注意力池化(CAP)方法和特征编码技术,可以有效地捕获子像素梯度,无需边界框和 / 或可区分的部分注释,从而学习关键部位的特征表示。经过在六个最先进的骨干网络和八个基准数据集上的评估,该方法在六个数据集上表现显著优于最先进的方法,并且在其余两个数据集上非常有竞争力。
Jan, 2021
本文提出了一种基于场景感知注意力的空间注意力模块和局部 - 全局类注意力机制,以此构建一种应用于遥感图像语义分割的场景感知类别注意力网络(SACANet),试验表明 SACANet 的性能优于其他最先进的方法并验证了其有效性。
Apr, 2023