一种拓扑注意力 ConvLSTM 网络及其在 EM 图像中的应用
本研究提出了一种点关注网络,它可以在对 3D 点云进行语义分割时学习丰富的本地形状特征和上下文相关性,并代替传统卷积核或参数共享机制来更有效地处理稀疏的 3D 点云。实验表明,该算法能够与现有的最先进方法同等或更好地处理各种 3D 点云。
Sep, 2019
该论文提出了一种新的卷积神经网络模型,Selective Tuning of Convolutional Networks (STNet),该模型通过底层和顶层信息流的选择性调整,实现了对卷积神经网络图像表示的选择调节,用于 ImageNet 数据集上弱监督定位任务,取得了比现有技术更好的结果,并产生了基于注意力的类别推理映射。
Aug, 2017
通过使用多头自注意力结构,结合架构搜索方法,本研究提出了一种高效且有效的高分辨率图像分割神经网络架构,名为 HyCTAS,通过在多个分辨率的分支之间融合轻量级卷积层和内存高效的自注意力层,提高了语义分割任务的性能。
Mar, 2024
本文提出了一种多尺度类表示响应相似性分析(ClassRepSim)的 DNN 分析方法,通过该方法提出了一种基于关注凝结器(STAC)的注意力机制模块,将其应用于 ResNet 风格的架构中,实现了在 ImageNet64x64 数据集上比普通 ResNet 模型的 top-1 精度提升了 1.6%、比 SENet 模型的 top-1 精度提升了 0.5% 的结果。同时,还证明了该方法的结果可以用于有效地参数化 STAC 模块,而不需要进行大量的参数搜索。
Jun, 2023
提出一种将 Convolutional Long Short Term Memory(C-LSTM)与 U-Net 相结合的细胞分割方法,以捕获细胞动力学信息,该方法在细胞跟踪挑战赛中取得了最先进的结果,代码可在提供的 https 链接中免费获取。
May, 2018
提出了一种名为 LATUP-Net 的轻量级 3D ATtention U-Net with Parallel convolutions 架构,以显著降低计算需求,同时保持高水平的分割性能,适用于具有资源限制的真实世界临床应用。
Apr, 2024
本文提出了一种基于锚点的时空关注的 3D 卷积操作(ASTA3DConv)来处理动态 3D 点云序列,建立了 Anchor-based Spatio-Temporal Attention 3D 卷积神经网络 (ASTA3DCNNs) 进行分类和分割任务。在实验中,该方法在 MSRAction3D 和 Synthia 数据集上展现了出色的性能和有效性,并取得了动态 3D 点云序列作为输入的最新性能。
Dec, 2020
本文提出了一种基于纯 CNN 架构的新型拓扑感知 CNN (Ta-CNN),通过引入跨通道特征增强模块,可以有效增强拓扑特征,证明了 GCNs 的拓扑模型能力也可以通过 CNN 来实现。同时,通过独特的 SkeletonMix 策略,进一步提高了性能。在四个广泛使用的数据集上进行了广泛的实验,结果表明 Ta-CNN 优于现有的基于 CNN 的方法,在 GFLOPs 和参数要求上明显优于 GCN-based 方法具有可比性的性能。
Dec, 2021
提出了一种新的模型,称为 AttaNet,用于在保持高效的同时捕获全局上下文和多级语义,通过 Strip Attention 模块和 Attention Fusion 模块实现低复杂度计算和加权特征融合技术,并在两个语义分割基准测试中进行了广泛的实验,取得了不同水平的速度 / 精度平衡和领先的表现。
Mar, 2021
本文介绍了一种新的卷积神经网络 SCA-CNN,其中引入了空间和通道注意力,用于图像描述任务,结果表明 SCA-CNN 明显优于现有的基于视觉关注的图像描述方法。
Nov, 2016