MMJun, 2021

基于跨尺度像素到区域关系操作的多尺度特征聚合用于语义分割

PDF
TL;DR本文提出了一种通过跨尺度像素到区域关系操作，使低层特征聚合相邻高层特征的互补上下文，发挥跨尺度上下文传播作用的有效特征塔网络方法，具有较高的效率和性能表现。
multi-scale featuressemantic segmentationcross-scale context propagationrelational semantics extractorrelational semantics propagator
发现论文，激发创造
  • 关注尺度：尺度感知的语义图像分割

    本论文研究了怎样在卷积神经网络中实现多尺度特征表示，提出了一种注重对每个像素位置进行加权的注意力机制。通过对三个大型数据集的广泛实验，证明了该方法的有效性。

    Nov, 2015

  • SPFNet：用于语义分割的子空间金字塔融合网络

    该研究提出了一种 Subspace Pyramid Fusion Network (SPFNet) 的编码解码结构，旨在提高像素级分割的性能，并采用多尺度 / 全局上下文信息进行上下文聚合，通过实验结果表明该方法在语义分割方面与其他现有技术相当竞争力。

    Apr, 2022

  • 重访多尺度特征融合在语义分割中的应用

    本文提出了一种使用多尺度特征融合网络和 BiFPN 来进行实时图像语义分割的方法 ESeg，通过扩展传统的多尺度特征空间来实现，不需要高分辨率和昂贵的空洞卷积。实验证明，ESeg 在多个数据集上的表现比先前的方法更准确，并且实时性能得到提升。

    Mar, 2022

  • 多尺度细化的注意力语义分割

    本文提出了一种新颖的注视模型用于语义分割，该模型聚合了多尺度和上下文特征进行预测。该模型使用骨骼卷积神经网络框架输入多个不同的尺度，进而可以获取不同尺度的表示。提出的注视模型将分别处理不同尺度的特征并集成它们。然后，该模型的位置注视分支学习到每个像素位置上的多尺度特征的软加权。此外，我们添加了一个重新校准分支，与位置注视分支平行，用于重新校准每个类别的分数图。在 PASCAL VOC 2012 和 ADE20K 数据集上，我们取得了相当有竞争力的结果，超过了基线和相关工作。

    Jul, 2018

  • 多尺度和跨尺度对比学习用于语义分割

    本研究考虑应用监督对比学习提高语义分割中多尺度特征的判别能力，并通过有效的采样过程与跨尺度对比学习方法进一步提高模型性能。

    Mar, 2022

  • 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

  • 区域增强的特征学习用于场景语义分割

    本文提出了一种基于区域的特征强化网络 (REFL-Net)，将点云表示为区域来减少计算压力，并设计了以区域为基础的特征强化模块 (RFE) 来提高模糊点的特征表示，实现了强大的长程上下文建模和领域泛化能力。实验结果显示，REFL-Net 在 ScanNetv2 和 S3DIS 数据集上均达到了显著的增益。

    Apr, 2023

  • 基于区域的语义分割与端到端训练

    本文提出一种新的语义分割方法，该方法基于区域分类方法和全卷积方法相结合，能够实现端到端的培训。与目前现有的算法相比，该方法在语义分类的平均准确性方面提高了成绩，在 SIFT Flow 和 PASCAL Context 上达到了 64.0% 和 49.9% 的成绩，并且在物体边界方面特别准确。

    Jul, 2016

  • MFPNet: 轻量级语义分割的多尺度特征传播网络

    我们提出了一种新颖的轻量级分割架构，名为多尺度特征传播网络 (MFPNet)，通过设计具有柔性瓶颈残差模块的鲁棒的编码器 - 解码器结构，探索深入且丰富的多尺度语义上下文，同时利用图卷积网络 (GCNs)，在瓶颈残差模块之间进行多尺度特征传播，最终在基准数据集上表现出优异的分割结果。

    Sep, 2023

  • 多尺度匹配网络用于语义对应

    本文提出了一种多尺度匹配网络，该网络可以对邻近像素之间微小的语义差异进行敏感的多尺度匹配，并利用深度卷积神经网络的多尺度结构学习判别像素级特征。实验结果表明，该方法在三个流行的基准测试上具有高计算效率并达到了最先进的性能。

    Jul, 2021