概率像素自适应精细化网络
本文提出了一种新型卷积操作叫做像素自适应卷积 (PAC),其通过学习本地像素特征来修改传统卷积操作,此方法适用于多种应用场景,具有优异的性能表现,包括使用 PAC 进行深度图像上采样、使用 PAC-CRF 替代 Full-CRF 等。同时,本文还证明了在预训练网络中使用 PAC 操作可以提高网络性能。
Apr, 2019
本文提出了从像素边缘检测到表面法线估计到高级语义分割的像素级预测问题的设计原则,通过分层抽样像素来增加多样性,探索复杂的非线性预测器并通过单一的体系结构高效地训练各种像素标记任务,最终在 PASCAL-Context 数据集上的高级语义分割、NYUDv2 深度数据集上的表面法线估计和 BSDS 上的边缘检测任务中达到了最先进的结果。
Feb, 2017
提出了一种增强型概率密集对应网络 (PDC-Net+), 可以同时估计准确的密集对应关系和可靠的置信度分布,通过联合学习流估计和不确定性来预测密集匹配度,并且在自监督训练环境下具有更加稳健和可泛化的不确定性预测策略,对几何匹配和光流数据集取得了最先进的结果,并证明了概率置信度估计在姿态估计、3D 重建、图像定位和图像检索方面的有用性。
Sep, 2021
该研究提出了一种通过使用概率网络来学习预测分布,以实现语义地图上的校准预测分布的策略,并使用对抗性训练来精炼输出,并在多分类 LIDC 数据集和注入模糊性的 Cityscapes 数据集上取得最先进结果。
Jun, 2020
通过采用分层抽样和多尺度特征的方法,优化以卷积预测器为基础的像素级预测问题的神经网络结构,显著提高了模型在低级边缘检测、中级表面法线估计和高级语义分割中的性能.
Sep, 2016
本文介绍了基于全连接和卷积神经网络的一套神经网络结构,即 Prediction Neural Networks Set(PNNS),用于图像内预测;研究表明,虽然全连接神经网络在预测小块大小的图像时表现良好,但卷积神经网络在复杂纹理的大块上提供更好的预测。将 PNNS 集成到 H.265 编解码器中,可以获得从 1.46%到 5.20%的 PSNR - 率性能提高。与 H.265 内部预测模式不同,PNNS 能够模拟大量复杂的图纹。
Jul, 2018
本文提出了像素自适应滤波单元(PAFU),它引入可微分的核选择机制和离散的、可学习的、不相关的核组,实现了基于内容的空间适应。将其应用于深度神经网络中,代替标准的卷积层,并在不同的图像处理和计算机视觉任务中展示了其有效性。
Nov, 2019
本论文提出一种新颖的分辨率自适应网络(RANet),通过利用输入样本的空间冗余性,有效地降低了深度网络的计算成本,同时在 CIFAR-10、CIFAR-100 和 ImageNet 数据集上展示了其性能优越性。
Mar, 2020
本文旨在探究使用滤波技术的像素去噪方法对于神经网络的鲁棒性增强效果,研究表明相比于基于像素加法的方法,像素滤波技术不仅能取得更高的图像质量而且对于对抗性样本的准确率也有更好的提高。为了解决滤波方法在训练过程中依赖于对抗样本敌扰幅度的问题,文章提出了一种名为 AdvFilter 的方法,该方法集成了双扰动滤波和不确定性感知模块,在训练和测试的过程中能够自动感知其噪声水平,提高了准确率。通过在多个数据集上的实验,研究者还发现考虑数据和模型的联合训练方法能够进一步提高神经网络的鲁棒性。
Jul, 2021
我们提出了一种算法,将校准预测与从学习理论推导的泛化界限相结合,构建深度神经网络的置信集,具有 PAC 保证 —— 即给定输入的置信集具有很高的真标签概率。我们演示了如何在 ResNet for ImageNet、视觉对象跟踪模型和半猎豹强化学习问题的动态模型上使用我们的方法构建 PAC 置信集。
Dec, 2019