探索使用逐渐增加特征映射维度的方式,提高深度残差神经网络的泛化能力,并提出了一种新的残差单元,增强了其分类准确性;实验表明,与原始的残差网络相比,该网络结构具有更好的泛化能力。
Oct, 2016
本文介绍了一种通过采用 dilated residual networks 提高图像分类准确性及在物体定位和语义分割等下游应用中的效果,同时探究了这种方法引入的网格伪影问题并提出了解决方法。
May, 2017
提出了一种快速有效的方法,在卷积神经网络中通过指数加权降采样操作以更好地保留信息,从而提高分类准确率和动作识别性能。
Jan, 2021
本文提出一种基于学习性下采样模块的图像分割算法来解决低成本语义分割,优化采样密度分布并通过规则项鼓励采样位置聚焦于对象边界,实验证明对图像分辨率高、计算资源限制的三组数据集均具有高效 - 准确性的优势。
Sep, 2021
本文提出了一种多级小波卷积神经网络 (MWCNN) 模型,通过将小波变换嵌入到 CNN 体系结构中,以在减少特征映射分辨率和增加感受野之间实现更好的权衡,以实现图像去噪、单图像超分辨率、JPEG 图像伪影去除和物体分类等任务的有效性。
Jul, 2019
本研究提出了一种采用扩张残差卷积神经网络(CNN),并使用零填充来保持输出和输入维数相同的方法,以 Gaussian 图像去噪为目标,能够在减少计算成本的同时实现与最新的残差去噪器相当的性能,并且在计算可解释性方面也能有所进展。
Aug, 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
本文提出了一种新的多层小波卷积神经网络(MWCNN)模型来更好地平衡感受野大小和计算效率,通过引入小波变换来减小收缩子网络中特征映射的大小并降低通道数,再使用反向小波变换来重建高分辨率特征映射,该模型可应用于许多图像修复任务,实验结果表明其有效性。
May, 2018
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
本文介绍了一种去除伪影的下采样操作 ——FrequencyLowCut pooling,并通过结合 FGSM 的对抗训练在模型鲁棒性和过拟合方面取得了显著改善。
Apr, 2022