SSBNet:通过自适应采样提高视觉识别效率
提出了一种新的内容感知可扩展网络 CASNet,采用数据驱动的显着性检测器评估不同图像区域的重要性,并提出基于显着性的块比率聚合策略进行采样率分配,用联合可学习的生成矩阵生成任何 CS 比率的采样矩阵。同时,CASNet 拥有优化启发式恢复子网络和防止阻塞伪影的多块训练方案,该网络能够联合重建不同采样率采样的图像块。
Jul, 2022
本文旨在解决在大型稀疏数据集上进行语义分割任务的挑战,提出了一种自适应采样方法和基于深度双通道卷积神经网络的算法,取得了 VISCERAL 解剖学基准测试的最新的最好结果。
Sep, 2017
提出了一种自适应的指数加权池化方法(adaPool),该方法在图像和视频分类以及目标检测任务中提高了细节的保留,并且比常规池化方法具有双向性,其学习到的权重也可用于上采样激活地图。
Nov, 2021
通过分析 ResNet20 网络在 CIFAR10 实验数据集中使用不同 pooling 配置的训练性能,本文发现预定义下采样配置并非最优选择,可以通过神经网络架构搜索来优化。同时,本文建议采用平衡混合的 SuperNets,可以使权重模型自动关联池化配置,从而降低池化配置之间的权重共享和相互影响。实验结果表明,本文提出的方法在 CIFAR10、CIFAR100 和 Food101 数据集上都优于其他方法,并改善了默认池化配置的性能。
Jun, 2023
该论文提出了一种适应性下采样方案,通过允许以更高的分辨率处理信息丰富的区域而不是信息较少的区域,从而提高了各种已建立 CNN 的成本 - 准确性权衡效果。
May, 2023
WSNet 是一种用于学习紧凑高效的深度神经网络的新方法和新架构,其通过采样可学习参数的紧凑集合来促进参数共享,并考虑应用在音频分类方面,实验证明此方法可以更有效地学习与基准相比卷积滤波器数量相等但更小的网络,并且在权重量化的情况下,所得模型的尺寸理论上可缩小至 16 倍,速度可提升至 180 倍,但无明显性能降低。
Nov, 2017
本文提出了一种数据驱动的神经元分配方法,以自适应地在深度神经网络的不同构建块中汇总多尺度信息。通过使用基于堆栈的采样、卷积和上采样操作生成每个尺度的特征映射,探索神经元分配方法,对计算复杂度进行了大规模的实验测试,并成功地应用于图像分类和目标检测任务,在与 ResNet 和其变体的对比中, ScaleNet 能够获得更好的性能。
Apr, 2019
针对移动设备中深度学习在单图像超分辨率中存在的计算和内存消耗问题,我们提出了一种高效的残差稠密块搜索算法,以寻找快速、轻便和准确的超分辨网络,通过演化算法自动搜索池化和上采样操作,通过块信用来指导进化,实验证明该方法有效,找到的超分辨模型在参数和 FLOPs 有限的情况下比现有技术更优越。
Sep, 2019