ACLNet: 基于注意力和聚类方法的云分割网络
本文介绍了一种基于分类角度提取全局上下文的概念,利用 Attentional Class Feature 模块根据每个像素计算和自适应组合不同的分类中心,并基于 ACF 模块提出了 Attentional Class Feature 网络,通过两种已有的 segmentation 网络实验,证明其在 Cityscapes 数据集上获得了新的最先进表现,mIoU 为 81.85%。
Sep, 2019
本研究提出了一种高效的端到端卷积神经网络架构 AclNet,该网络采用数据增强和正则化训练后,在 ESC-50 语料库上取得了 85:65%的准确率,且高效的运算和内存需求可开启能源高效平台的始终在线推理。
Nov, 2018
我们专注于城市场景点云的语义分割方法,提出了一种名为 APNet 的网络架构,利用不同上下文信息和网络架构的协同利用,将点云分支和航空影像分支进行几何感知融合,以达到数据融合的最佳性能。实验证明,融合模块的输出始终优于各个网络分支的结果,并且 APNet 在 SensatUrban 数据集上取得了 65.2 的 mIoU 的最新性能。
Sep, 2023
本文提出了一种基于深度学习的算法,称为 Cloud-Net,用于在仅有少量谱带的卫星影像中探测云层,实验结果显示,该算法在 Jaccard Index 上的性能超过了现有算法的 8.7%。
Jan, 2019
通过引入混合变压器架构的深度学习模型,并验证其利普希茨稳定性理论和经验,本文提出了一种名为 CLiSA(Cloud segmentation via Lipschitz Stable Attention network)的有效云层遮罩生成方法,实验证明该方法在多个卫星图像数据集中表现出优越性能,并从多光谱(MX)图像中提取云层的准确性更好,同时展示了对不同体系结构和目标函数的不同割离研究。
Nov, 2023
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
本文介绍了一种新型的自适应连接神经网络 (ACNet),以两个方面改进了传统的卷积神经网络 (CNN)。首先,ACNet 通过自适应地确定特征节点 (如特征映射的像素) 之间的连接状态,采用了灵活的方式在处理内部特征表示时切换全局和局部推理;其次,ACNet 还能处理非欧几里德数据。在各种基准测试中,包括图像分类、语义分割等,实验分析表明,ACNet 不仅可以实现最先进的性能,还可以克服传统 MLP 和 CNN 的局限性。
Apr, 2019
此篇研究论文提出一种灵活的模块 ASAP 进行点云的时空特征学习,在考虑多帧跨帧信息的同时结合注意力和结构信息,提高了点云序列的分割准确性和泛化能力,并在 Synthia 和 SemanticKITTI 数据集上表现出比基线和以往方法更好的效果。
Aug, 2020
本文提出了一种新的方法 ACNet,通过 Attention Complementary Module (ACM) 和 三个并行分支的结构,ACNet 能够从不同通道提取更多高质量的特征,在 SUN-RGBD 和 NYUDv2 数据集上得到了更好的表现,特别地,在 NYUDv2 测试集上,ResNet50 取得了 48.3% 的 mIoU 得分,并在 https URL 上发布了源代码和经过训练的分割模型。
May, 2019
ATAC-Net 框架利用深度学习在视觉异常检测中应用,从一小部分已知先验异常样本中进行训练,使用注意力引导裁剪提供对疑似区域的更近距离视图,并在可比较的情况下证实其优越性。
Jun, 2024