MMJun, 2020

LRNNet：高效轻量级网络，采用有效的减少非局部操作以进行实时语义分割

PDF
TL;DR本文提出了一个轻量级 LRNNet 模型，实现了高效的实时语义分割问题，通过降低计算成本和内存占用的非局部模块实现了更准确的非局部特征融合。实验证明，在训练时只使用精细注释数据的情况下，LRNNet 在 Cityscapes 测试数据集上达到了 72.2% 的 mIoU，并具有更好的轻量级，速度，计算和精度之间的平衡。
light-weighted neural networksefficient predictionsemantic segmentationnon-local modulecomputation and memory cost
发现论文，激发创造
  • LEDNet：一种用于实时语义分割的轻量级编码器 - 解码器网络

    本文介绍一种名为 LEDNet 的轻量级网络，采用了不对称的编码器 - 解码器架构和 ResNet 作为骨干网络，以及每个残差块中的两种新操作：通道分割和随机洗牌。在解码器中采用注意金字塔网络 (APN) 来进一步减轻整个网络的复杂性。实验证明，我们的模型在速度和准确性方面均取得了最好的结果，并在 CityScapes 数据集上实现了最先进的结果。

    May, 2019

  • LiteSeg：一种新型轻量级卷积神经网络用于语义分割

    本文介绍了一种适用于语义图像分割的轻型体系结构 LiteSeg , 该体系结构采用了深度可分离卷积技术和新型 Atrous Spatial Pyramid Pooling 模块，同时提高了计算效率和精度。使用 MobileNetV2 作为骨干网络时，LiteSeg 在 Cityscapes 数据集上以 $640 imes 360$ 分辨率，每秒处理 161 帧的速度，实现了 67.81% 的平均交集联合值。

    Dec, 2019

  • 轻量级非局部网络神经结构搜索

    本文提出了 AutoNL 算法解决了 Non-Local blocks 难以嵌入移动神经网络和配置不优等问题。AutoNL 设计了轻量级的 Lightweight Non-Local block 和一种有效的神经架构搜索算法，仅使用 32 个 GPU 小时即在 ImageNet 数据集的 350M FLOPs 的移动设定下实现了 77.7％的准确率，显著优于 MobileNetV2，FBNet 和 MnasNet 等先前的移动模型。

    Apr, 2020

  • 用于实时语义分割的轻量级 RefineNet

    本文考虑了有效和高效的语义图像分割问题，将一种强大的语义分割结构 RefineNet 适应为更紧凑的结构，通过减少参数数量和浮点操作数量，实现了两倍以上的模型缩小，并保持了性能水平，使最快模型的速度从 20 FPS 提高到 55 FPS，并在 PASCAL VOC 测试集上具有坚实的 81.1％的平均 iou 性能；我们还展示了我们的方法与轻量级分类网络的容易集成能力，并仅使用 3.3M 参数和 9.3B 浮点操作完成 PASCAL VOC 的 79.2％均值 iou。

    Oct, 2018

  • L^3U-net: 基于低延迟轻量级 U-net 的图像分割模型，适用于并行 CNN 处理器

    本研究提出了一种用于低资源边缘设备的小型图像分割模型 L^3U-net，引入了一种数据折叠技术，利用 CNN 加速器的并行卷积层处理能力，降低推理延迟，并将该模型部署到 MAX78000 设备，结果表明 L^3U-net 在两个不同的分割数据集上实现了 90% 以上的准确率，每秒处理 10 帧。

    Mar, 2022

  • 用于图像恢复的非局部循环网络

    本文提出了一种非局部递归网络（NLRN），将非局部操作纳入递归神经网络（RNN）用于图像恢复，在图像去噪和超分辨率任务中，该模型由于递归非局部操作和相关性传播而取得了优越的结果。

    Jun, 2018

  • 低光照下基于加权非局部块的特征去噪实例分割

    在这篇论文中，我们提出了一种端到端的解决方案来解决低光条件下的实例分割问题，通过在特征提取器中实现加权非局部（NL）块，我们的方法在特征级别上实现了内嵌的去噪过程，从而消除了训练时对齐的基准图像的需要，以支持在真实世界的低光数据集上进行训练，并引入了可学习的权重以增强网络对真实世界噪声特性的适应性，这些特性以不同的方式影响不同的特征尺度，实验结果表明，所提出的方法在平均精度（AP）上的改进为 + 10.0，加权 NL 块的引入进一步提高了 AP 的值，使得所提出的方法胜过预训练的 Mask R-CNN。

    Feb, 2024

  • 用于高效超分辨率的残差局部特征网络

    本文提出了一种新的残差本地特征网络 (RLFN) 方法，通过使用三个卷积层进行残差本地特征学习来简化特征聚合，同时伴随着改进的对比损失和训练策略，该方法在保持 SR 的 PSNR 和 SSIM 的同时显著优于所有最先进的高效图像 SR 模型。

    May, 2022

  • R2RNet: 实低到实标网络的低光图像增强

    本文提出了一种新的基于 Retinex 的深度学习网络，用于低光条件下的图像增强。该网络包含三个子网络：Decom-Net，Denoise-Net 和 Relight-Net。我们的模型使用了来自图像的空间信息和频率信息，可以在低光条件下取得更鲁棒的结果，并且在高级视觉任务方面具有显著的改善表现。我们还提出了一个大规模真实世界数据集（LSRW 数据集），用于训练模型，展示模型在真实世界场景中具有更好的泛化能力。经过广泛的实验，我们的方法在定量和视觉方面都表现出优于现有状态 - of-the-art 的结果。

    Jun, 2021

  • 快速、非局部和神经网络：图像去噪的轻量高质量解决方案

    通过将非局部算法与轻量级残差卷积神经网络相结合，提出了一个解决方案，充分发挥了两种模型的优势，将计算要求降至最低，并在图像去噪中表现出色。

    Mar, 2024