用于光流的细节保留残差特征金字塔模块
提出无监督学习方法,通过改善金字塔网络的上采样和学习来估计光流,具有自引导上采样模块和金字塔蒸馏损失,并将两个组件相结合,该方法在多个基准测试中均取得了最佳性能。
Dec, 2020
本文提出了一种无监督的光流估计方法,通过引入自适应金字塔采样,提出了一个内容感知池化模块和一个自适应光流上采样模块,能够有效地避免交叉边界插值和交叉区域池化,从而实现了最佳的光流估计性能。
Apr, 2021
本文分析了现有的特征金字塔结构在物体检测方面的问题,提出了一种新的名为 AugFPN 的特征金字塔架构,成功应用在 Faster R-CNN、RetinaNet 和 FCOS 等模型中,显著提高了平均精度 AP。
Dec, 2019
引入 ResFPN 作为通用的预处理方法,该方法采用底层金字塔架构和特征聚合模块,能够在不同尺度下提取指静脉结构,实现指静脉识别的精度提升。实验结果表明,经过 ResFPN 预处理后,在常用识别管线中,平均识别错误率下降高达 5%。即使在不同数据集上进行识别,这种改进依然存在。
Jun, 2023
本文提出了一种名为 'Flow Alignment Module' 的方法,通过学习场景不同层级之间的语义流,并将高层次特征有效和高效地广播到高分辨率特征,使得在轻量级骨干网络上如 ResNet-18 表现卓越,在 Cityscapes 数据集上获得了 80.4% 分割精度,时速达到 26FPS。
Feb, 2020
我们提出了一种简单而有效的渐进式特征磨光网络(PFPN)框架,通过多个特征磨光模块(FPM)逐步磨光多级特征以获得更准确、更具代表性的前景检测结果,而且不需要后处理。该方法能够检测出具有精细细节的显著对象,而且具有灵活性,可以集成到任何基于 CNN 的模型中。该方法在五个基准数据集上取得了显著的最优结果。
Nov, 2019
提出了一种新颖的位置精化特征金字塔网络(LR-FPN),以增强浅层位置信息的提取和细粒度上下文交互。通过实验验证,LR-FPN 在遥感目标检测方面优于现有的方法。
Apr, 2024
本文提出了一种基于迭代残差细化和权重共享的光流估计方法,它结合了经典能量最小化方法和残余网络的优点,通过整合遮挡预测和双向流估计,进一步提高了准确性。与其他方法相比,该方法显著提高了光流估计和遮挡估计的准确性,且参数数量更少。
Apr, 2019
本文提出了一种特征对齐模块和特征选择模块,用于上下文对齐上采样的高级特征,以及强调富有空间细节的低级特征,并将这两个模块集成在一个自上而下的金字塔结构中,形成了一种名为特征对齐金字塔网络(FaPN)的方法,该方法在四个密集预测任务和四个数据集上表现出比 Faster / Mask R-CNN 配对的 FPN 改进了 1.2-2.6 个 AP /mIoU 点,特别地,在 Mask-Former 中融合后,FaPN 在 ADE20K 上实现了 56.7%的 mIoU,代码可从此 URL 获得
Aug, 2021
提出的 PyramidFlow 方法是第一个无需预训练模型就能实现高分辨率瑕疵定位的全归一化流法,该方法利用金字塔状的归一化流进行多尺度融合和体积归一化来帮助泛化,并提出一种基于潜变量模板的瑕疵对比定位范式来降低类内方差。综合研究 MVTecAD 的研究表明,该方法表现优于不使用外部 prior 的可比算法,甚至在更具挑战性的 BTAD 场景中达到了最先进的表现。
Mar, 2023