本文提出 Content-Aware ReAssembly of FEatures(CARAFE)操作符,用于对象检测和语义 / 实例分割中的及时高效特征上采样,它有较大的视野和上下文感知处理能力,计算轻量且能够无缝地集成到现代网络架构中,并在标准基准测试中取得了显著改进,代码和模型在 https URL 中可用。
May, 2019
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
使用一个多角度一致性损失函数,我们提出了 FeatUp,一种可以恢复深度特征中丢失空间信息的任务和模型无关的框架。通过保持原始语义,FeatUp 在现有应用中替换特征,从而取得了分辨率和性能上的提升,甚至无需重新训练,我们在类别激活图、分割和深度预测的传递学习以及语义分割的端到端训练方面展示了 FeatUp 明显优于其他特征上采样和图像超分辨率方法。
Mar, 2024
本文提出 MAFFSRN 方法,通过特征融合和多重注意机制提出了一种轻量级的图像超分辨率网络,实验表明该方法在内存占用、浮点运算次数和模型参数数量等方面表现优秀。
Aug, 2020
通过利用大型语言模型,提出了 Context-Aware Automated Feature Engineering(CAAFE)方法,该方法可以在表格数据集中生成语义相关的功能。通过将此方法应用于 14 个数据集,可以提高 11 个数据集的性能并提供有价值的见解。
May, 2023
本文介绍了一种基于深度卷积网络提取特征的方法,该方法可以将原来应用于特定任务的深度卷积网络迁移到其他任务中,实现了在多个重要视觉挑战中超越现有技术的效果,并发布了开源工具 DeCAF 和所有相关网络参数。
Oct, 2013
本论文提出了一种新的、即插即用的、面向任务不可知的上采样算子 FADE,它在密集预测中具有高效性和良好的泛化性能,能够同时适用于像素级别的语义分割和图像蒙版等领域,且比近期动态上采样算子在不同任务上表现更好。
Jul, 2022
本文提出一种基于 Recurrent Feature Reasoning 和 Knowledge Consistent Attention 的深度学习方法,有效地解决了大空洞修复的问题。模型首先循环推理卷积特征图的孔边界,再将其作为约束条件进行推理以填充孔洞,并且引入了 Attention 机制用于从最远处的特征图位置获取信息。
本文提出了一种称为 ReFF 的方法,通过解释输出来探测与任务相关的特征并规范卷积神经网络,以应对训练和测试数据集分布不同的情况,并在测试数据上提高了准确度。
Feb, 2022
提出一种基于卷积神经网络的 Region Proposal 方法 R-CNN,它与 CNN 结合起来使用更高的上下文信息,加上有监督的预培训方法,实现了在 PASCAL VOC 2012 数据集上的平均准确率 mAP 达到 53.3%。
Nov, 2013