图像修复的规模卷积
本文提出了一种尺度不变的卷积神经网络(SiCNN),采用多列结构,每一列专注于特定尺度,用尺度变换共享相同的滤波器参数,以应对尺度变化,实验结果表明 SiCNN 能够检测各种尺度的特征,并且分类结果表现出对物体尺度变化的强大鲁棒性。
Nov, 2014
本文提出了一种多尺度卷积神经网络方法来促进卷积神经网络同时识别尺度不变和尺度变异的特征,并在涉及多个尺度的任务相关特征的挑战性图像分类任务上对其进行了评估。结果表明,我们的多尺度卷积神经网络优于单尺度卷积神经网络,从而得出结论:在卷积神经网络中鼓励尺度不变和尺度变异表示的结合对图像识别性能有益。
Feb, 2016
介绍了一种使用可控滤波器建立尺度等变卷积网络的通用理论,并将其他常见块推广为尺度等变块,此方法具有计算效率和数值稳定性,同时在 MNIST-scale 数据集和 STL-10 数据集中实现了领先水平的分类结果。
Oct, 2019
本文提出了一种名为 Poly-Scale Convolution (PSConv) 的卷积操作,通过将不同的扩张率巧妙地分配到每个卷积过滤器的单个卷积核中,实现了多尺度特征融合,从而提高了卷积神经网络的鲁棒性和表示学习能力。实验结果验证了 PSConv 相较于传统卷积在 ImageNet 和 MS COCO benchmark 中表现更优。
Jul, 2020
本文提出了基于扩张卷积的 Inception 模块,利用多尺度信息构建深度神经网络,提高单幅图像超分辨率的性能。实验结果表明,该方法优于许多单幅图像超分辨率方法。
Jul, 2017
提出一种基于 ScaleFormer 的新型骨干网络,其中包含针对各个尺度的内部转换器,以在每个尺度上提取局部 - 全局提示,并设计了空间感知的跨尺度变换器,以相互作用多个尺度的共识区域,从而突出跨度依赖性并解决复杂的尺度变化。
Jul, 2022
本文研究多尺度卷积神经网络的设计,主要探讨协方差和不变性的问题,并从设计角度提出了新的凹陷视野尺度通道网络结构,其能够有效地实现不同尺寸的图像分类任务。
Jun, 2021
本文介绍了一个新颖的 CNNs 图像恢复架构,名为 MIRNet,该架构具有多尺度残差块、多分辨率卷积流、空间和通道注意力机制、基于注意力的多尺度特征聚合等关键特征,能够同时维护高分辨率精确表达和从低分辨率表示中获得强有力的语境信息。实验结果表明,MIRNet 在图像去噪、超分辨率和图像增强等多项任务中取得了最先进的结果。
Mar, 2020