Oct, 2022

可变形尺度的转置卷积

PDF
TL;DR本文介绍了一种新的层用于选择性地在图像中放置信息，并选择图像合成的笔划宽度。方法利用了三个想法：首先，回归推断出转置卷积结果的位置偏移量；其次，将偏移位置权重广播到可学习的邻域；第三，利用紧凑参数化共享权重和限制偏移量。最终结果表明，该方法可应用于诸如实例分割、目标检测、语义分割、生成图像建模和 3D 磁共振图像增强等多种任务，并优于现有的转置卷积变体。
transposed convolutionimage synthesisoffset regressionparametrizationupsampling operators
发现论文，激发创造
  • 核分离转置卷积操作

    本研究提出了一种基于核激活值的算法级优化技术，将原始内核分成四个子内核，从而降低了内存需求和不必要的乘法运算，提高了转置卷积层的计算效率。实验结果显示，采用所提出的优化方法比传统实现快 $2.2$ 倍。

    Sep, 2022

  • 转置器：利用特征图作为转置卷积滤波器的通用纹理合成技术

    提出了一种基于转置卷积操作的新方法，通过对输入纹理的整个编码特征图作为转置卷积滤波器，以及捕捉自相关信息的特征相似性图作为转置卷积输入，从而在几乎实时的单次前向传递中一次性合成未见过的纹理。

    Jul, 2020

  • TVConv: 面向布局感知的高效翻译变体卷积视觉处理

    本论文提出了一种有效的转换变异卷积 (TVConv), 结合亲和性图和权重生成块，可以用于面部识别和医学图像分割任务中。与深度卷积网络相比，TVConv 可以大大降低计算量并提高精度，并在视网膜图像分割任务中展现了更好的泛化性能。

    Mar, 2022

  • 卷积神经网络中的学习步伐

    该论文介绍了 DiffStride，一种可学习个调整步幅的下采样层，在图像分类中表现出比标准下采样层更好的泛化性能和效率，并通过引入正则化项控制了网络的计算复杂度。

    Feb, 2022

  • 自适应卷积层优化医学图像分割性能

    通过在传统 CNN 模型之前放置自适应层，根据输入影像的局部环境动态调整卷积核尺寸，本文提出的方法可以在处理具有多种尺度和配置的医学影像时，增强网络对多样解剖结构和图像细节的处理能力，进而在 SegPC2021 和 ISIC2018 等常见数据集上，取得了优于传统 CNN 模型的分割准确性、Dice 系数和 IoU 的结果。

    Apr, 2024

  • Shift: 一种零 FLOP，零参数的替代空间卷积方法

    本文提出一种基于 shift 的操作，用于代替 spatial convolutions 提高神经网络的效率，并在分类、人脸识别、风格迁移等各类领域中取得了不错的表现。

    Nov, 2017

  • 观察上采样卷积：基于 CNN 的生成深度神经网络未能复现谱分布

    本文提出了一种新的谱规范化项，以解决当前生成模型中存在的谱分布偏差问题，该方法可以提高模型的稳定性和输出质量，并可以检测出深度伪造的图片等生成数据。

    Mar, 2020

  • 可分离层使结构化有效线性替换成为可能

    本文表明，使用结构化线性分解替换点积卷积中的线性元素不仅更高效，而且还提供了在效率 / 准确性方面的达成帕累托最优的成果。

    Jun, 2019

  • 可变形卷积神经网络

    本文证明卷积神经网络的固定几何结构导致其在几何变换方面受限，从而引入了两个新模块增强 CNNs 的变换建模能力。这两个模块是可变形卷积和可变形 RoI 池化。这些新的模块可以轻松替换现有 CNNs 中的普通模块，并且可以通过标准反向传播进行端到端训练，从而产生可变形卷积网络。广泛的实验证实了这种方法在物体检测和语义分割的复杂视觉任务上的有效性。

    Mar, 2017

  • DeformUX-Net：带有深度可变卷积的医学图像分割 3D 基础骨干的探索

    本文介绍了 3D DeformUX-Net，一种创新的体积卷积神经网络模型，它灵活地处理了传统上与 ViTs 和大内核卷积相关的缺点，并且在四个具有挑战性的公共数据集上持续优于现有的最先进的 ViTs 和大内核卷积模型。

    Sep, 2023