ICCVSep, 2021

基于区域感知上下文融合和交替局部增强的超高分辨率图像分割

PDF
TL;DR本文介绍了一种新的局部感知上下文融合图像分割模型，旨在处理具有大变化语义区域的超高分辨率图像，并通过交替本地增强模块限制冗余信息的负面影响以产生精细结果，实验结果表明其优于其他最先进的方法。
发现论文，激发创造
  • 基于内存限制的超高分辨率无人机影像语义分割

    该论文阐述了在 GPU 内存限制的情况下，实现高效而有效的超高分辨率无人机图像分割的复杂问题，提出了一种新颖的空间引导式高分辨率查询模块和高效的基于内存的交互方案来改进现有方法中较小、较细和曲线区域的分割效果。

    Oct, 2023

  • 协作全局 - 局部网络的超高分辨率图像内存高效分割

    提出了一种以极高的内存效率保留全局和局部信息的协作全局 - 本地网络，同样适用于粗到细的分割，用于超高分辨率图像的分割。

    May, 2019

  • 视觉系统的资源高效感知

    应对高分辨率图像处理中的计算挑战，提出了一种利用内存高效的基于块处理的框架，通过全局上下文表示和局部块信息实现对图像内容的全面理解，并在不受内存限制的情况下对超高分辨率图像进行训练，在分类、目标检测和分割等七个基准测试中取得了卓越性能，甚至在像 Jetson Nano 这样的资源受限设备上也能表现出色。

    May, 2024

  • 具有超丰富背景的超高分辨率分割：一项新的基准测试

    介绍一种包含高分辨率图像，丰富场景上下文和细致注释的大规模数据集 URUR，以及一个更高效和有效的含有离散小波变换和小波平滑损失的 UHR 语义分割框架 WSDNet。

    May, 2023

  • 卷积网络基于动态多上下文遥感图像分割

    本研究提出了一种利用多层感知域适用于遥感图像的语义分割的新技术，通过训练一个具有不同感知域的扩张网络，从多种异质性环境下获取信息，从训练样本中定义最佳输入补丁大小，显著提高了像素分类精度。

    Apr, 2018

  • 超高像素大型多模态模型

    高分辨率是大型多模式模型（LMMs）的基础，本论文提出了一种新的框架和优化策略，通过混合适配器从全局视图中提取上下文信息，并引入可学习的查询嵌入来减少图像标记，同时通过相似性选择器选择用户问题的关键标记，实现更好的性能表现。此外，通过交替训练的方式平衡学习全局和局部方面，并引入高要求图像细节的数据集来增强局部压缩层的训练，提出的方法在各项基准测试中表现出优异性能。

    Jun, 2024

  • 基于上下文聚合网络的实时语义分割

    该论文提出了一种上下文聚合网络，通过较低的计算成本实现了准确的图像场景分割，适用于自主系统及实时应用。

    Nov, 2020

  • 利用图像以外的语境信息进行语义分割

    本文研究语义图像分割中的上下文聚合问题，提出了一种基于特征存储模块和类概率分布学习的像素表示增强方法，利用跨图像的上下文信息进一步提高了性能。

    Aug, 2021

  • 基于上下文的自监督学习的改进

    本研究采用了一种基于 patch 排列上下文学习的自监督学习方法，着重解决了光学畸变、空间倾斜和中等特征忽视等问题，在不同数据集上进行多项自监督测试，结果表明，在 PASCAL VOC 2007 的分类和检测、PASCAL VOC 2012 的分割以及 ImageNet 和 CSAIL Places 数据集上的线性测试中都取得了顶尖成绩，在迁移学习分类测试中，超过基准方法的改进幅度为 4.0 到 7.1 个百分点，同时演示了不同标准网络架构的结果，以证明其推广性和灵活性。

    Nov, 2017

  • 具有语义感知上采样的局部和全局 GAN 用于图像生成

    本研究提出了一种基于本地上下文的语义引导图像生成方法，使用本地类别特定的生成网络构建和学习不同类别的子生成器以捕捉更精细的细节，通过一个分类模块来学习更具有鉴别性的类别特定特征表示，并使用一个注意力融合模块和双鉴别器结构嵌入的联合生成网络集成全局图像级别和本地类别特定生成的优点，同时提出了一种新颖的语义感知上采样方法，可以更好地保持相同语义标签实例的语义一致性。

    Feb, 2022