CVPRMar, 2023

自适应稀疏卷积网络带全局上下文增强，用于无人机图像快速目标检测

PDF
TL;DR研究了一种针对无人机平台物体检测的优化方法，提出了一种全局上下文增强自适应稀疏卷积网络（CEASC），通过一种多层面膜策略，在不同的尺度上生成最佳的面膜比例，既提高了准确性又提高了效率。
object detectiondrone imagessparse convolutionglobal context-enhanced adaptive sparse convolutional networkefficiency
发现论文，激发创造
  • 目标检测的关注上下文

    通过开发一种名为 AC-CNN 的新型神经网络模型，将全局和局部上下文信息有效地结合到区域卷积神经网络中，提高了目标检测性能，特别是在 PASCAL VOC 2007 和 VOC 2012 数据集上，与目前主流的 Fast-RCNN 算法相比在 mAP 方面分别提高了 2.0％和 2.2％

    Mar, 2016

  • 基于上下文聚合网络的实时语义分割

    该论文提出了一种上下文聚合网络，通过较低的计算成本实现了准确的图像场景分割，适用于自主系统及实时应用。

    Nov, 2020

  • 全局上下文感知逐步聚合网络用于显著性目标检测

    该研究提出了一个名为 GCPANet 的新网络，采用一些渐进式的、上下文感知的特征交织聚合 (FIA) 模块有效地整合低层外观特征、高层语义特征和全局上下文特征，并通过监督学习生成显着性图像。此外，还设计了一个头部注意力 (HA) 模块、一个自我细化 (SR) 模块和一个全局上下文流 (GCF) 模块，以进一步提高网络性能。实验结果表明，该方法在六个基准数据集上的表现比现有方法都要好。

    Mar, 2020

  • 汽车雷达目标检测网络中的稀疏性利用

    本文研究了稀疏卷积物体检测网络在自动驾驶系统中的应用，通过与基线模型对比，证明了 SKPP-DPVCN 架构在 Car AP4.0 的表现上超过了基线模型和之前的最新技术，同时在平均尺度误差上也实现了显著减少。

    Aug, 2023

  • AGSPNet: 一种基于农业地理场景约束的无人机高分辨率图像农作物细粒度语义变化检测框架

    该研究提出了一种针对农作物的农业地理场景和地块尺度受限的语义变化检测（SCD）框架（AGSPNet），通过有效提取农作物的深度图像特征，可以在复杂的场景中明确检测到农作物类型的细微变化信息，从而为智能农业监测与管理、粮食政策制定和食品安全保障提供科学和技术支持。

    Jan, 2024

  • 基于生成的稀疏检测网络的 3D 单次物体检测

    文章提出了一种基于卷积神经网络的稀疏数据三维物体检测方法，称为 Generative Sparse Detection Network (GSDN)，该方法将稀疏的数据集扩展成支持物体检测的密集数据，该方法在三个 3D 室内数据集上进行验证，取得了 7.14% 的相对改进，而且比最佳前期工作快了 3.78 倍。

    Jun, 2020

  • CAD-Net: 远程感知图像中物体的上下文感知检测网络

    本文提出了 CAD-Net，一种新的目标检测网络，利用关注调制特征以及全局和本地上下文来应对使用光学遥感图像进行目标检测的新挑战。实验证明，该网络在两个远程感知图像对象检测数据集上表现良好。

    Mar, 2019

  • ELGC-Net：面向遥感变化检测的高效局部全局上下文聚合

    本文提出了一种高效的深度学习框架 ELGC-Net，用于远程感知变化检测任务，并通过捕获丰富的上下文信息精确估计变化区域，减小模型尺寸，从而在遥感变化检测基准测试中取得了最新的最佳性能。

    Mar, 2024

  • 级联注视：图像修复中全局语境提取的高效性

    本文介绍了一种名为 CGNet 的编码 - 解码架构，它采用了全局上下文提取器（GCE），这是一种用于图像恢复的新颖高效的捕捉全局信息的方法。通过在卷积层之间使用小核心来学习全局依赖关系，GCE 模块无需自注意力即可实现。广泛的实验结果表明，我们的方法在去噪基准数据集（包括真实图像去噪和合成图像去噪）以及图像去模糊任务上优于一系列最先进的方法，同时具有更高的计算效率。

    Jan, 2024

  • 基于深度特征的目标检测上下文模型

    本文提出了一种综合局部外观特征，对象关系的上下文信息和全局场景上下文特征的集合物体检测系统，该系统采用基于对象建议的完全连接条件随机场（CRF）进行建模，并利用快速平均场近似方法有效地进行 CRF 模型中的推理，实验结果表明，与基线算法 Faster R-CNN 相比，我们的方法在 PASCAL VOC 2007 数据集上实现了更高的平均精度（mAP）.

    Apr, 2016