Apr, 2023

区域增强的特征学习用于场景语义分割

PDF
TL;DR本文提出了一种基于区域的特征强化网络 (REFL-Net)，将点云表示为区域来减少计算压力，并设计了以区域为基础的特征强化模块 (RFE) 来提高模糊点的特征表示，实现了强大的长程上下文建模和领域泛化能力。实验结果显示，REFL-Net 在 ScanNetv2 和 S3DIS 数据集上均达到了显著的增益。
semantic segmentationpoint cloudsregion-based feature enhancementlong-range context modelingrefl-net
发现论文，激发创造
  • 特征增强网络：一种精制的场景文本检测器

    本文提出了一种经过改进的场景文本检测器，它包含一个新颖的特征增强网络（FEN）和适应性加权的定位敏感 RoI 池层，以提高对小型场景文本的检测精度，同时，也提出了一种有效的样本平衡策略来训练我们的网络，并在 ICDAR 2011 和 2013 鲁棒文本检测基准测试中得到了最先进的结果。

    Nov, 2017

  • RFENet：面向玻璃分割的特征互进化

    本文提出了选择性互动进化（SME）模块，并引入了结构化精细的细化（SAR）模块和反向演化的特征进化网络（RFENet），成功地实现了玻璃样的物体分割，性能优于三个公共数据集。

    Jul, 2023

  • RfD-Net: 基于语义实例重建的点云场景理解

    本研究介绍了 Rfd-Net，该方法通过在原始点云数据中直接检测和重构密集对象表面，摆脱了使用常规网格表示场景的限制，旨在预测可识别高对象性的形状，从而实现全局对象定位和局部形状预测，提高了物体检测的精度，比现有技术研究结果提高了 11 个三维网格交并比。

    Nov, 2020

  • 少样本语义分割相关内在特征增强网络

    为了减轻先前方法中语义歧义和类间相似性对像素级前景 - 背景分类准确性的限制，我们提出了 Relevant Intrinsic Feature Enhancement Network (RiFeNet)。通过引入一个无标签分支作为高效的数据利用方法，我们提高了前景实例的语义一致性，在测试时，无需额外的无标签数据和计算。此外，我们通过提出新颖的多层原型生成和交互模块扩展了前景和背景之间的类间变化，全局和局部原型之间的不同粒度补充性使得类似类别之间的区分更加明确。RiFeNet 在 PASCAL-5i 和 COCO 基准上的定性和定量性能超过了最先进的方法。

    Dec, 2023

  • 空间分组增强：改进卷积神经网络中的语义特征学习

    本文提出了一种基于空间组别增强（SGE）的卷积神经网络模块，通过生成每个语义组中每个空间位置的注意力系数来调整每个子特征的重要性，可以在仅接受类别监督训练的情况下显著提高图像识别任务的性能。

    May, 2019

  • 区域关联的半监督语义分割

    本文提出了一种基于区域相关性网络的半监督语义分割方法，其中包括本地伪标签过滤模块、本地选择损失模块和动态区域损失校正模块，这些模块可以降低伪标签引起的分类误差和预测不一致性，实现更好的分割结果。

    Apr, 2023

  • 基于跨尺度像素到区域关系操作的多尺度特征聚合用于语义分割

    本文提出了一种通过跨尺度像素到区域关系操作，使低层特征聚合相邻高层特征的互补上下文，发挥跨尺度上下文传播作用的有效特征塔网络方法，具有较高的效率和性能表现。

    Jun, 2021

  • 早期区域代理的语义分割

    本文提出了一种名为 RegProxy 的模型，通过 Transformer 实现了以区域为中心的上下文编码和预测，相比现有的方法在性能和效率上取得了更好的平衡。

    Mar, 2022

  • MFDS-Net: 远程感知变化检测的多尺度特征深度监督网络，融合全局语义和细节信息

    MFDS-Net 是一种基于全局语义和细节信息的多尺度特征深度监督网络，旨在更精细地描述变化的建筑和地理信息，增强变化目标的定位和弱特征的提取。

    May, 2024

  • 遮挡下的行人再识别特征补全

    本研究提出了一种 RFM 块，包括 Spatial RFC 和 Temporal RFC 模块，以解决人员再识别中的遮挡问题，并在数据集上测试表明其较传统方法获得了更好的性能。

    Jun, 2021