MRF-UNets: 基于马尔科夫随机场的 UNet 搜索
本文提出了一种基于全连接神经元的新型 MRF 模型,将深度神经网络的表达能力和 MRF 的循环依赖结构结合在了一起,通过对多个 RNN 进行逆向连接形成的前馈网络的近似表示,实现了高效的学习和在各种低级视觉任务中的卓越表现。
Sep, 2016
基于深度学习的神经 MRF 模型在立体匹配任务中取得了显著的性能提升,通过在潜在函数和信息传递方面应用数据驱动的神经网络,该模型有效地解决了传统立体方法中的建模限制和精度问题,并借助变分推断理论保留了立体 MRF 模型的图感知特征。对于高分辨率图像进行可行的推理,并通过适应性地剪枝视差搜索空间的 Disparity Proposal Network (DPN),使得该方法在 KITTI 2012 和 2015 榜单上名列第一,且运行时间不超过 100 毫秒。与传统的全局方法相比,本方法的性能显著提升,例如在 KITTI 2015 数据集上将 D1 指标降低了 50%,并且具有强大的跨领域泛化能力和恢复锐利边缘的特点。详细代码请参见此链接。
Mar, 2024
本论文提出了一种名为 Deep Parsing Network (DPN) 的卷积神经网络,通过将高阶关系和标签上下文的混合引入到 MRF 模型中,该网络能够在一次前向传递中实现确定性的端到端计算。与先前使用迭代算法优化 MRF 不同的是,该论文通过 DPN 精确求解 MRF,并能够在近似一次 MF 迭代的情况下达到较高的分割精度。此外,DPN 使得 MF 更容易被并行化和加速,从而可以实现高效的推理。
Jun, 2016
此研究旨在将马尔可夫随机场与深度学习相结合,提出了一个训练算法,可以学习结构化模型和深度特征,以提高多个随机变量的预测性能。该算法在预测词汇和图像多分类上均具有重要的性能提高。
Jul, 2014
本文提出了一个设计和分析通用 U-Net 体系结构的框架,介绍了它们在编码器和解码器中的作用,通过预处理与 ResNets 的相关性及其高分辨率缩放极限,为 PDE 模型、图像分割和扩散模型提供了更好的性能,并提出设计新的 U-Net 架构以便超越方形外的多种问题
May, 2023
本论文提出了一种改进 U-Net 模型的多分辨率结构 MultiResUNet,相较于理想情况下的图像,在处理挑战性医学图像方面实现了显著的性能提高,此提升在五种不同的医学图像数据集中分别达到了 10.15%,5.07%,2.63%,1.41%和 0.62%的相对改进。
Feb, 2019
通过研究某些生成式分层模型,本文引入了 U-Net 架构的新解释,它是一种在语言和图像领域广泛使用的树状结构图模型。我们演示了 U-Net 如何自然地在这些生成式分层模型中实现置信传播去噪算法,并以此高效逼近去噪函数。此外,我们讨论了这些发现对生成式分层模型中扩散模型的更广泛影响,还证明了卷积神经网络 (ConvNets) 的传统架构在这些模型中非常适合分类任务,从而突显出生成式分层模型在语言和图像领域中建模复杂数据分布的多功能性。
Apr, 2024
本文提出了一种深度多模态神经网络架构搜索(MMnas)框架, 通过使用基于梯度的 NAS 算法,可以高效地学习不同任务的最佳架构,并设计了一个统一的编码器 - 解码器骨干网络,其中每个编码器或解码器块对应于从预定义的操作池中搜索出来的操作,以及面向不同多模态学习任务的特定头部。实验结果表明,MMnasNet 在三个多模态学习任务上显着优于现有的最先进方法,包括视觉问答、图像文本匹配和视觉定位。
Apr, 2020
本文研究了基于生成式马尔可夫随机场模型和鉴别式训练的深度卷积神经网络相结合方法,用于 2D 图像的合成,同时使用 MRF 正则化方法避免了以前 dCNN 反演方法中的过度激发和不可行的特征混合,提高了图像合成的视觉逼真度。
Jan, 2016