Jun, 2020

基于全卷积网络的语义分割自适应特征重组与再校准

PDF
TL;DR本文提出了一种针对 Fully Convolutional Networks 进行语义分割的特征重组和空间自适应重新校准块 - SegSE 块。通过考虑跨通道信息和空间相关性来重新校准特征图，实验证明，重组和重新校准可以提高基线结果，并推广到三个不同问题：脑肿瘤分割，中风暗区估计和缺血性中风病变结局预测，其结果具有竞争力或优于现有技术水平。
fully convolutional networkssemantic segmentationsqueeze and excitation blockssegse blockcross-channel information
发现论文，激发创造
  • 利用空间和通道 “压缩与激励” 块重新校准全卷积网络

    本文介绍了一种基于 “挤压与激励” 模块的语义分割模型架构，通过简单计算模块提高模型分割精度，模块只带来了 1.5% 的模型复杂度增加。

    Aug, 2018

  • 全卷积网络中的并发空间和通道压缩与激励

    本文提出使用 Squeeze & Excitation 模块，分别从空间和通道两个角度分为三个变体，提高卷积神经网络的特征表示能力，在脑部和器官分割上取得了良好的效果。

    Mar, 2018

  • 准确性增强器：使用特征图重新校准提升性能

    通过引入低复杂度的 CNN 架构模块，我们的方法在提高模型表现方面相较于已有方法性能更好，尤其是在 ResNet-50 分类方面，其表现与 ResNet-152 相当，且具有良好的泛化性能。

    Mar, 2019

  • 使用 Project & Excite 重新校准 3D ConvNets

    本文介绍了一个新颖的通用操作流程来在 3D 卷积神经网络中扩展现有的 2D 重新校准方法，并提出了专为 3D 网络定制的 Project & Excite（PE）模块，使其能更好地保留空间信息并实现对医学图像的分割性能提升。

    Feb, 2020

  • 压缩与激励网络

    本研究提出了一种新的神经网络单元 SE 块来自适应地重新校准通道特征响应，进一步提高 CNN 架构的性能，并在 ILSVRC 2017 分类中取得了一流的成绩。

    Sep, 2017

  • 全卷积神经网络用于语义分割

    本文提出了一种基于卷积神经网络的 Fully Convolutional Networks（FCN）方法，可以用于图像的深度语义分割。通过该方法，我们成功地提高了 PASCAL VOC、NYUDv2、SIFT Flow 和 PASCAL-Context 等公开数据集上的 segmentation 模型的性能，并且推断速度远快于之前的相关工作。

    May, 2016

  • 卷积层和循环层的优势结合：一种适用于语义分割的混合网络

    探讨了如何在图像识别的语义分割领域中，采用 ReNet 层代替全卷积神经网络中的级联卷积和池化层来使局部感受野具有全局信息，并开发了一种新的混合深层 ReNet（H-ReNet）模型，经实验证明其在 PASCAL VOC 2012 基准测试中的识别准确度比 Piecewise、CRFasRNN 和 DeepParsing 高 3.6%、2.3% 和 0.2%。

    Mar, 2016

  • 全卷积网络用于语义分割

    该研究证明，卷积网络可以通过端到端的训练，从像素到像素地训练，超越先前的语义分割最先进方法，通过自适应大小输入和高效学习来生成相应大小的输出。该研究还详细介绍了全卷积网络的应用于空间密集预测任务，并将 AlexNet、VGG 网和 GoogLeNet 等现代分类网络改进成全卷积网络，并将它们学习到的表示通过微调应用于语义分割任务。最后，该研究提出了一种新的网络架构，将深层次粗糙层和浅层外观信息相结合以生成准确和详细的分割结果，在 PASCAL VOC、NYUDv2 和 SIFT Flow 数据集上实现了最先进的语义分割（2012 年的 mean IU 相较前一方法提高 20％），对典型图像的推理时间仅需三分之一秒。

    Nov, 2014

  • 单幅图像超分辨率的通道和空间特征调制网络

    通过通道和空间特征调制，本文提出了一种利用序列化特征调制存储器单元及密集连接结构将低分辨率特征转换为高信息特征的网络，该网络能够加强高贡献信息和抑制冗余信息，同时通过门控融合节点适应性地融合分层特征，使得模型在图像超分辨率上比现有技术更优秀。

    Sep, 2018

  • 重组网络：学习由粗到细的特征聚合

    本文介绍了一种名为 “Recombinator Networks” 的模型，该模型可以在不影响鲁棒性的前提下，通过信息重组的方式实现对精确定位的支持，相较于传统的基于求和和拼接的方法，其精度有显著提升，并将误差降低了 30％。同时作者还提出了基于卷积神经网络的去噪预测模型，进一步提升了该模型的性能。

    Nov, 2015