Sep, 2019

可学习的树形滤波器，用于保持结构特征转换

PDF
TL;DR本文提出了可学习的树型滤波器，通过利用最小生成树的结构性质来模拟远程依赖关系并保留细节，形成了一个通用的树型滤波模块，实现了具有高效的线性时间算法以减少资源消耗，为语义分割提供了一个统一的框架，与传统的 PSP 块和非本地操作相比，具有更好的性能和更少的开销，在多个基准测试中获得了持续的改进，通过给定链接提供代码和模型。
semantic segmentationglobal featureslearnable tree filterminimal spanning treeefficiency
发现论文，激发创造
  • 通过 CNN Tree 学习大规模分类的细粒度特征

    本文提出了一种新颖的方法来增强卷积神经网络（CNN）的可辨别性，通过建立一个树状结构来逐步学习精细的特征，以区分一部分类别。我们开发了一种新算法，有效地从大量类别中学习树结构。实验表明，我们的方法可以提高给定基本 CNN 模型的性能，且具有一般性，因此可以潜在地与许多其他深度学习模型结合使用。

    Nov, 2015

  • 任意结构数据的学习传播

    本研究提出了一种利用全局方式学习数据点之间的配对关系，通过空间广义传播网络（SGPN）实现对任意结构数据的语义分割的模型，该模块可以灵活地嵌入和联合训练许多类型的网络，如 CNN，并且实验证明，相较于不包含此模块的网络，SGPN 始终提高了像素和点云分割的性能，这表明我们的方法是模拟任意构造数据的全局配对关系的有效方法。

    Sep, 2019

  • 通过结构稀疏正则化滤波器剪枝实现紧凑型 ConvNets

    本文提出了一种名为结构化稀疏正则化（SSR）的滤波器剪枝方案，它通过两种不同的正则化方法来适应性地裁剪卷积神经网络（CNN）的滤波器，从而提高计算速度和降低内存开销，并通过实验验证了其优异性能。

    Jan, 2019

  • 基于 Kronecker 的树状卷积网络用于语义分割

    本文提出了基于 Kronecker 卷积和树形特征聚合 (TFA) 模块的树形 Kronecker 卷积网络 (TKCN)，旨在解决现有的语义分割方法在扩大接受区域时忽略局部信息的问题，能够同时捕获局部信息和扩大滤波器的接收域，进一步实现多尺度物体的表示学习和复杂场景中的分层上下文信息编码。

    Dec, 2018

  • 学习滤波器稀疏变换

    本论文提出了一个新的变换学习框架，其中稀疏变换是一个不可降采样的完美重构滤波器组设定，数值结果表明，滤波器组变换优于现有的基于图像块变换学习方法，同时在设计过程中具有额外的灵活性。

    Mar, 2018

  • 全局光谱滤波记忆网络用于视频物体分割

    本研究提出了 Global Spectral Filter Memory 网络以提高半监督视频对象分割的内框交互，并通过 Low（High）Frequency Module 有效地学习长期空间依赖性，显着优于基准方法并达到了最先进的表现。

    Oct, 2022

  • 从图像中学习本地特征的 LF-Net

    本研究提出了一种新颖的深度架构和训练策略，利用图像集合学习本地特征流水线，无需人工监督；通过利用深度和相对相机姿态提示创建一个虚拟目标，并在一个图像上限制网络，同时保留不可区分性来优化网络。我们在室内和户外两个数据集上进行训练，并在稀疏特征匹配方面的模型性能表现优于现有技术，同时对 QVGA 图像运行速度达到 60+ fps。

    May, 2018

  • 树结构上的长短期记忆

    本文提出了一种基于树结构的长短时记忆网络模型 S-LSTM，用于实现文本语义组合和自然语言理解，比现有基于递归的模型效果更佳。

    Mar, 2015

  • 学习关注焦点以实现高效视频目标检测

    提出了一种基于可学习的空间 - 时间采样 (LSTS) 模块、分散递归特征更新 (SRFU) 和密集特征聚合 (DFA) 模块，实现了视频目标检测中的准确空间对应关系，增强特征更新，提升检测性能，并在 ImageNet VID 数据集上取得了最先进的表现和实时速度。

    Nov, 2019

  • 神经网络紧凑全局描述符

    本文提出一种轻量级全局描述符，以建模跨不同维度（如通道、帧）之间的位置交互作用，使得后续卷积能够合理地访问此全局特征，从而在计算成本和参数数量上有了巨大的降低，也完成了最有效的长距离机制。

    Jul, 2019