ICLROct, 2019

可变形卷积核：为物体变形适应有效感受野

PDF
TL;DR本文提出 Deformable Kernels (DKs) 方法来解决卷积网络对于物体几何变化缺乏感知，通过直接适应有效接收域（ERF）来处理物体变形，在多个任务和标准模型上，DKs 方法比先前的方法具有更好的性能。
convolutional networksdeformation modelingeffective receptive fielddeformable kernelsobject deformations
发现论文，激发创造
  • 可变形核网络用于联合图像滤波

    该论文提出了 DKN 卷积神经网络架构及其高效实现，使用稀疏且空间可变的滤波核进行图像增强和降噪，并在深度图上采样，显著优于现有技术。

    Oct, 2019

  • Nerfies: 可变形神经辐射场

    描述了一种基于神经辐射场的方法，通过优化连续的体形变场使移动设备拍摄的照片 / 视频重建变形场景，旨在生成高度逼真的渲染图像。实验表明，该方法可使用手机拍摄的自拍照片 / 视频转换成可变形的 NeRF 模型，并在任意视点产生高保真度的视图。

    Nov, 2020

  • 深度卷积神经网络中有效感受野的理解

    研究了深度卷积网络单元感受野的特性，提出了有效感受野的概念，并分析了它在几种架构设计中的作用，以及非线性激活、dropout、下采样和跳跃连接对其产生的影响。结果表明，这些因素对有效感受野的大小具有影响，并提出了一些解决途径。

    Jan, 2017

  • Deblur-NeRF: 模糊图像的神经辐射场

    提出了 Deblur-NeRF 方法，采用分析合成方法重建模糊视图，通过 Deformable Sparse Kernel 模块对空间可变模糊核进行建模，共同优化 NeRF 和 DSK 模块，从而恢复锐利的 NeRF。

    Nov, 2021

  • 动态大核与动态特征融合用于三维医学图像分割的 D-Net

    Hierarchical transformers have introduced the DLK and DFF modules in the D-Net architecture, resulting in improved performance for medical image segmentation tasks.

    Mar, 2024

  • Deformable ConvNets v2：更加可变形，更好的结果

    通过增强 Deformable Convolutional Networks 的变形卷积能力、引入调制机制和特征模仿方案，提高了其在目标检测和实例分割任务中的性能表现。

    Nov, 2018

  • FisheyeHDK: 超宽视场图像识别的双曲形变核学习

    本文提出了一种新的超限变形卷积参数学习方法，即使用超平面空间中的核形状来适应鱼眼图像，改进了现有的变形核方法。实验结果表明，该方法比先前的方法在鱼眼图像上的适应能力更强，使得 CNN 在鱼眼图像适应任务中性能更佳。

    Mar, 2022

  • 可变形卷积神经网络

    本文证明卷积神经网络的固定几何结构导致其在几何变换方面受限，从而引入了两个新模块增强 CNNs 的变换建模能力。这两个模块是可变形卷积和可变形 RoI 池化。这些新的模块可以轻松替换现有 CNNs 中的普通模块，并且可以通过标准反向传播进行端到端训练，从而产生可变形卷积网络。广泛的实验证实了这种方法在物体检测和语义分割的复杂视觉任务上的有效性。

    Mar, 2017

  • 3D 目标检测中的大感受野策略与重要特征提取策略

    利用 3D 物体检测、LiDAR 点云、动态特征融合模块和特征选择模块以提高网络性能。

    Jan, 2024

  • 深度完成的可变形卷积再探讨

    深度补全是从稀疏深度图生成高质量密集深度图的方法，本文通过重新思考可变形卷积的概念，提出了一个有效的架构，利用可变形核卷积作为单次细化模块，并在大规模 KITTI 数据集上取得了精度和推理速度方面的最新水平。

    Aug, 2023