上下文注意力网络用于骨架提取
本文提出了一种像素级的上下文注意力网络 ——PiCANet,旨在学习选择性地注意每个像素的信息上下文位置,通过全局和局部形式,构建所关注的上下文特征,与 U-Net 结构相结合,可以准确且均匀地检测显著对象,在显著性检测性能方面表现优异。
Aug, 2017
本文提出了一个名为 PiCANet 的新型像素级上下文关注网络,通过对上下文区域的关注权重进行学习,选择性地融合有用的上下文特征,最终应用于显著性检测、语义分割和物体检测等领域,相对于其他同类方法性能有显著的提升。
Dec, 2018
本文介绍了一种基于 U-net 模型和 HED 架构的方法,用于通过提取形状像素中的骨架像素来训练模型,以达到准确提取 89 种不同物体的骨架的目的,其 F1 分数达到了 0.77。
Jul, 2019
本文提出了一种新的两阶段上下文感知网络(CANet)用于阴影去除,其中非阴影区域的上下文信息被转移到嵌入式特征空间中的阴影区域,通过重构特征图实现分别在 L 和 A/B 通道上移除阴影,并提出了一种编码器 - 解码器来优化当前结果,实验结果表明了该方法在两个基准数据集和一些复杂场景的实际阴影图像上的优越性能。
Aug, 2021
提出三个 Self-Attention 网络的变体来提取高层语义,其中将 Temporal Segment Network 应用于变体以获得更好的性能,通过广泛的实验评估,探索了不同配置和表现更好的方法。
Dec, 2019
介绍了细胞注意力网络 (CANs),它在图的节点上定义数据,将图表示为一个单细胞复合体的 1 - 骨架,以捕捉更高阶的相互作用,并通过 2 种自掩模机制设计更广泛的图注意策略。实验结果表明 CANs 是一种与基于图的学习的最新成果相比,具有低复杂度的策略。
Sep, 2022
我们开发了一种新颖的语义图注意力网络,它能够从自注意力捕获全局上下文的能力中受益,同时利用图卷积来处理骨架的局部连通性和结构约束。我们还设计了一个身体部分解码器,用于提取和改进与身体特定部分相关的信息。此外,我们的方法还包含距离信息,增强了模型理解和准确预测空间关系的能力。最后,我们引入了一种几何损失,对身体的结构骨架施加了关键约束,以确保模型的预测符合人体姿势的自然限制。实验证明了我们方法的有效性,表明系统中的每个元素对提高姿势估计结果至关重要。与最先进方法相比,我们的工作不仅达到了现有基准,而且超过了现有基准。
Jun, 2024
提出了一种上下文感知路径和空间感知路径相结合的 Context-and-Spatial Aware Network (CSANet),通过结构监督和空间金字塔池化策略增强上下文信息,保留空间信息,加强特征,并在 COCO 关键点基准测试中,优于现有的最先进方法。
May, 2019
本文提出了 Dynamic GCN, 一种基于 Graph Convolutional Networks 的方法,通过引入 Contextencoding Network (CeN) 来自动学习骨架拓扑结构,CeN 是一个轻量级且有效的卷积神经网络,能够嵌入到 GCN 中,该方法在 NTU-RGB+D、NTU-RGB+D 120 和 Skeleton-Kinetics 三个基准测试集上实现了当前的最佳表现。
Jul, 2020
通过 Point Contextual Attention Network (PCAN) 能够在对点上下文加权的情况下,对局部特征进行更加关注,从而有效地编码局部特征并在多个基准测试数据集上提供性能优于当前最先进方法的检索性能。
Apr, 2019