基于上下文的深度学习体系结构与图像解析的最优集成层

Apr, 2022

基于上下文的深度学习体系结构与图像解析的最优集成层

Context-based Deep Learning Architecture with Optimal Integration Layer for Image Parsing

Ranju Mandal, Basim Azam, Brijesh Verma

TL;DR通过深度学习与上下文信息相结合的三层模型，进行二分类学习和上下文学习，再通过基于遗传算法的最优融合，产生最终决策。实验结果表明，优化网络权重可以改善性能并使预测更稳定。

Abstract

deep learning models have been efficient lately on image parsing tasks. However, deep learning models are not fully capable of exploiting visual and contextual information simultaneously. The proposed three-layer

deep learning context-based architecture visual information optimal fusion benchmark datasets

发现论文，激发创造

基于遗传算法的特征选择和上下文集成的深度学习模型

本研究提出了一种新型的三层深度学习模型，通过引入一对多二元类别学习器，学习遗传算法优化的特征，并同时学习全局和局部上下文信息，从而优化整个模型以在图像分割方面取得有希望的结果。

Apr, 2022

上下文融合增强图像模糊鲁棒性

哺乳动物的大脑通过整合特定感官模式的脑区的信息来处理复杂推理，从而提高鲁棒性和泛化能力。我们开发了一个融合模型，结合了在 Imagenet 和 Places365 上训练的 CNN 的背景和前景特征，测试了它对人可感知变化的抵抗能力，并在 MS COCO 上进行了验证。融合模型提高了鲁棒性，特别适用于具有更大上下文变异性的类别。我们提出的多模态整合解决方案为增强鲁棒性提供了一种新方法，并可能与现有方法相辅相成。

Jun, 2024

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

使用上下文 - CNN 进行场景分类的对象级上下文建模

本文介绍一种模型语境感知的深度神经网络，该模型利用 LSTM 单元结合物体提议来捕捉物体和场景之间的关系，并且通过对学习到的特征进行可视化和分析，证明了模型具有很好的语境建模能力。

May, 2017

ContextNet：探索上下文及细节用于实时语义分割

ContextNet 提出了一种新的深度神经网络架构，利用分解卷积、网络压缩和金字塔表示等技术，实现了高效的全局上下文信息提取和高分辨率分割细节捕捉，从而在保持精度的前提下，降低了内存需求，实现了具备实时性和低存储成本的语义分割。

May, 2018

上下文感知语义分割分类器的学习

利用数据依赖的上下文感知分类器通过学习附加环境提示，适应不同的潜在分布，从而解决分割不同场景多样化特征分布的困难，进而显著提高分割模型的性能.

Mar, 2023

ContextVP：完全上下文感知视频预测

通过使用并行多维 LSTM 单元和融合单元进行数据聚合处理，提出了一种全面考虑过去背景信息的上下文感知结构，从而提高了视频预测的性能。该模型没有使用深度卷积网络、多尺度结构、分离前景和背景建模、运动流学习或对抗性训练等技术，性能超过了强基线模型并在多个领域展示了最新成果。

Oct, 2017

基于深度学习算法的人工智能与计算机视觉的集成与性能分析

深度学习与计算机视觉技术的集成应用效果的分析，通过构建分层神经网络实现了历史性的突破，能够进行端到端的特征学习和图像的语义理解，提出了深度神经网络模型在图像分类等任务中的卓越性能，同时指出了其在泛化和可解释性方面的局限性，并提出了未来改进的方向。深度学习与大量视觉数据的高效集成和发展趋势将继续推动计算机视觉领域的技术突破和应用扩展，构建真正智能的机器视觉系统。这种融合模式将为计算机视觉中前所未有的任务和功能提供强大的推动力，为相关学科和产业提供更强的发展动力。

Dec, 2023

学习所有模型的一种模型

本研究旨在通过建立一个深度学习模型，同时训练图像分类、多语种翻译、图片描述生成、语音识别以及英文解析等多个任务，并在各个任务上都达到良好的结果。该模型特别之处在于将多个计算块集成到架构中，如卷积层、注意力机制和稀疏门控层等，每个计算块都对一部分任务至关重要，但即使对于不是关键任务的块，也不会影响其它任务的表现。同时，该研究还发现，少样本的任务集成到多个任务进行训练将会有较大提升。

Jun, 2017

ISNet: 集成图像级和语义级上下文进行语义分割

本文提出将图像语义分割中的语境信息分为图片级别和语义级别，分别增强像素表示，在 ADE20K，LIP，COCOStuff 和 Cityscapes 等四个基准测试中实现了最先进的准确性。

Aug, 2021