用于密集预测任务的密集连接多扩张卷积网络

CVPRNov, 2020

用于密集预测任务的密集连接多扩张卷积网络

Densely connected multidilated convolutional networks for dense prediction tasks

Naoya Takahashi, Yuki Mitsufuji

TL;DR本文介绍了一种新的用于高分辨率密集预测的卷积神经网络架构，称为 D3Net，其采用了多分辨率学习和逐渐膨胀的感受野来同时建模局部和全局模式，避免了深度网络中的深度耗散问题，并在图像和音频处理任务中取得了优越的性能。

Abstract

Tasks that involve high-resolution dense prediction require a modeling of both local and global patterns in a large input field. Although the local and global structures often depend on each other and their simultaneous modeling is important, many convolutional neural network (CNN)-bas

dense prediction multiresolution learning cnn architecture image semantic segmentation audio source separation

发现论文，激发创造

D3Net：密集连接的多扩张 DenseNet 音乐源分离

本文提出了一种新的 CNN 结构称为密集连接扩张 DenseNet（D3Net），用于模拟同时具有多分辨率数据的音频信号，该结构避免了在 DenseNet 中纳入扩张卷积时存在的混叠问题。通过对 MUSDB18 数据集的实验结果表明，D3Net 具有最先进的性能，平均信号失真比为 6.01 分贝。

Oct, 2020

超密集连接卷积神经网络：用于多模态图像分割

提出了一种名为 HyperDenseNet 的三维全卷积神经网络，扩展了密集连接的定义以解决多模式分割问题。该网络在多个标准数据上表现优秀，较其他分割网络有较大提高，基于特征重用的实验分析确认了密集连接在多模式特征表示学习中的重要性。

Apr, 2018

空洞卷积多尺度上下文聚合

本文提出了一种特别为密集预测设计的新的卷积网络模块，该模块利用扩张卷积系统地汇集多尺度上下文信息，而不会丢失分辨率，并证明了该模块可以提高现有最先进的语义分割系统的精度。同时，作者还探究了将图像分类网络适应于密集预测的可能性，并提出了简化适应后的网络结构有助于提高精度。

Nov, 2015

稠密连接的卷积网络

该研究提出 Dense Convolutional Network (DenseNet) 模型，使用每一层之前的所有特征图作为输入，解决了梯度消失的问题，促进了特征重用，并在目标识别领域的四个竞争性基准上显着提高了性能效率。

Jan, 2020

紧密连接卷积网络

该论文介绍了一种称为 DenseNet 的神经网络架构，通过将每一层与其他每一层之间连接起来，可以解决传统卷积神经网络中权重消失和特征重用问题，在目标识别领域中表现优异。

Aug, 2016

密集尺度网络用于人群计数

本文提出了一种名为 DSNet 的网络，采用密集空洞卷积块和密集残差连接来实现完全端到端的人群计数。在四个人群计数数据集上对 DSNet 进行实验后，得到了比现有算法更优秀的结果。

Jun, 2019

用于陆地覆盖分类的密集扩张卷积融合网络

本文提出了一种名为 DDCM-Net 的新架构，该架构通过合并密集膨胀卷积和不同膨胀率，有效地利用了丰富的膨胀卷积组合，同时获取局部和全局的信息，提高了远程遥感图像的分类准确度，并在多个数据集上得到了比其他公开模型更好的结果。

Mar, 2020

扩张残差网络

本文介绍了一种通过采用 dilated residual networks 提高图像分类准确性及在物体定位和语义分割等下游应用中的效果，同时探究了这种方法引入的网格伪影问题并提出了解决方法。

May, 2017

多尺度稠密网络用于资源高效的图像分类

该论文研究了在测试时具有计算资源限制的图像分类问题，并通过训练多个带有不同资源需求的分类器并将其作为早期退出引入单个深度卷积神经网络中以最大程度地重用计算，实现了在任意时间进行预测和分配不同的计算量来分类一组样本，框架显著改善了现有技术在两种情况下的表现。

Mar, 2017

双卷积神经网络

本文提出了一种新的卷积神经网络模型，称为双卷积神经网络，该模型通过共享权重参数进行优化，在图像分类领域有着显著的性能提升。在 CIFAR-10，CIFAR-100 和 ImageNet 等图像分类基准测试中，该模型的性能均显著优于其他竞争模型。同时，本文还说明了双卷积神经网络在多方面性能均有体现，既可以构建更准确的模型，又可以以牺牲一定准确性的代价来减少模型的内存占用。

Oct, 2016