Feb, 2023

用于实时语义分割网络搜索的局部到全局信息通信

PDF
TL;DR本文提出了一种名为 LGCNet 的神经架构搜索框架，该框架采用新的搜索空间来有效地搜索轻量级模型，并通过引入 GCN 引导模块实现局部信息交换和提出新型的密集连接融合模块来实现全局信息聚合，同时还引入了基于时延的约束来平衡准确性和速度。大量实验证明，LGCNet 在 Cityscapes 和 CamVid 数据集上取得了最新的最先进的准确性和速度的平衡。
neural architecture searchsemantic segmentationcommunication modulesgraph convolutional networktrade-off between accuracy and speed
发现论文，激发创造
  • 面向实时语义分割的图像引导架构搜索

    提出了一种名为 Graph-guided Architecture Search（GAS）的管道，其中图卷积网络（GCN）作为细胞之间的通信机制，消除了细胞之间的共享约束以实现细胞水平的多样性，并通过搜寻 latency-oriented 约束来实现速度和性能的平衡，在 Cityscapes 和 CamVid 数据集上实现了精度和速度的新的最优平衡。

    Sep, 2019

  • 双图卷积网络用于语义分割

    本文提出了一种基于图卷积网络的新方法 (DGCNet)，主要用于像素级预测任务，为解决语义分割问题提供长程上下文信息建模。通过建模两个正交图来模拟输入特征的全局上下文，并通过将特征投影到新的低维空间来有效地实现。实现的模型在 Cityscapes 和 Pascal Context 数据集上取得了最优结果

    Sep, 2019

  • GLiT: 全局和局部图像 Transformer 的神经网络架构搜索

    通过局部模块来提高图像转换器的视觉表示能力，建立搜索空间和搜索算法体系，提出分层神经架构搜索方法并证明其在 ImageNet 数据集上对于图像分类比 ResNet 和 ViT 机型更优。

    Jul, 2021

  • DCNAS：用于语义图像分割的密集连接神经架构搜索

    本研究提出一种名为 Densely Connected NAS (DCNAS) 的神经架构搜索框架，通过连接细胞并使用可学习的权重来引入密集连接的搜索空间，并通过路径和通道级别的抽样策略设计一个融合模块来降低搜索空间的内存消耗。DCNAS 搜索算法得到的体系结构在公共语义图像分割基准测试中的表现显著优于先前算法。

    Mar, 2020

  • 增强空间上下文的潜在图注意力

    本文介绍了一种计算效率高且模块化的框架 ——Latent Graph Attention（LGA），该框架能够将全局背景信息融入现有架构中，特别是能够使小型架构的性能接近大型架构，从而使轻量级架构在计算能力和能源需求较低的边缘设备中更加有效。在透明物体分割、去雾图像恢复和光流估计三个应用中，LGA 模块的引入改善了性能。

    Jul, 2023

  • TSSRGCN: 用于交通流量预测的时间 - 频谱 - 空间检索图卷积网络

    该论文提出了一种基于神经网络模型的交通流预测方法，该方法可以提取交通流数据的空间和时间信息，进而通过结合两种图卷积网络方法来学习节点和边的表示，并利用基于周期的膨胀可变卷积模块来准确捕获每个节点上不同的时变趋势，实验结果表明该模型可以更好地预测交通流，并适应不同的时态交通模式。

    Nov, 2020

  • 使用局部和全局扩散学习时空表示

    本文介绍了一种通过局部和全局扩散来增强时空表示学习的新框架，其网络结构由 LGD 块组成，通过模拟这两种表示之间的扩散来更新局部和全局特征，并引入核分类器将两个方面的表示相结合，在视频识别中取得了 3.5％和 0.7％的性能提升。

    Jun, 2019

  • 神经搜索下的基于骨架的人体动作识别中的图卷积网络学习

    提出了一种自动设计的图卷积网络，用于基于骨架的动作识别，该网络通过动态图模块和多次跳跃模块增加了空间 - 时间相关性的表示能力，使用采样和记忆效率的进化策略搜索出优化架构，结果表明其效果优于现有图卷积网络。

    Nov, 2019

  • Auto-DeepLab：用于语义图像分割的分层神经架构搜索

    本文通过搜索单元结构和网络结构两个不同的层次来提高图像分割性能，并设计出了一种有效的基于梯度的架构搜索方法，其结果表明，在不进行 ImageNet 预训练的情况下，Auto-DeepLab 可以达到最先进的性能水平。

    Jan, 2019

  • GINet: 场景解析的图交互网络

    本文提出了图交互单元和语义上下文损失的方法，将语言学知识引入视觉图，增强上下文推断和刻画高层语义，最终在场景解析等任务上取得了优越的表现。

    Sep, 2020