基于归一化注意力和双尺度交互的无服务铁路表面缺陷分割
本文提出了一种名为 NDP-Net 的无监督重构方法,通过引入多比例判别特征提取模块和基于参考的注意力机制,准确检测各种纹理缺陷并进行多尺度缺陷分割。
Nov, 2022
本文提出了一种名为 JDNet 的算法,该算法通过引入多尺度特征、自注意机制和自标定卷积等技术解决单张图像去雨问题,在真实世界和合成数据集上展现出更好去雨效果。
Aug, 2020
该研究提出了一种轻量级多尺度交互网络(MINet),利用多尺度交互模块采用深度卷积(DWConv)和逐点卷积(PWConv)来提取和交互融合不同尺度的特征,以进行实时的带钢表面缺陷显著目标检测。在包含三种不同类型的带钢表面缺陷检测图像(包括夹杂物、斑点和划痕)的 SD-Saliency-900 数据集上进行的综合实验结果表明,提出的 MINet 具有与最先进的方法相当的检测准确性,在仅拥有 0.28M 参数的情况下以 721FPS 的 GPU 速度和 6.3FPS 的 CPU 速度对 368*368 像素的图像运行。
May, 2024
本文提出利用一种新颖的模块(NIM)来提高现有卷积神经网络(CNNs)对于自动驾驶中行驶区域和路面异常的检测精度。作者在实验中将我们的 NIM 应用到 12 种现有的 CNNs 上,实验结果表明,我们的 NIM 能够显著提高 CNNs 对于行驶区域和路面异常的检测精度,且在 KITTI 路标奖励上排名第 8,拥有实时推理速度。
Aug, 2020
提出的架构 Dual Attentive U-Net with Feature Infusion (DAU-FI Net) 在语义分割方面解决了多类别不平衡数据集和有限样本的挑战,通过集成多尺度空间 - 通道注意力机制和特征注入来增强目标定位精度。该架构通过使用 Gabor 滤波器进行纹理分析、Sobel 和 Canny 滤波器进行边缘检测的方式来扩展特征空间,提供了语义分割的鲁棒解决方案,对于有限的训练数据的多类问题具有推进意义。
Dec, 2023
本文提出了运用 DifferNet 结合卷积神经网络的特征提取和标准流估计来解决制造过程中产品缺陷检测难的问题,通过最终得分进行缺陷像素位置的精确定位,而且不需要大量训练样本,与目前其他方法相比在 MVTec AD 和 Magnetic Tile Defects 数据集上表现更好。
Aug, 2020
本文提出了一种基于关系推理网络和平行多尺度注意力的光学遥感图像突出对象检测方法,实验表明其定量和定性性能均优于现有最优方法。
Oct, 2021
提出一种基于 DifferNet 的解决方案,利用 SENet 和 CBAM 作为骨干网络的注意力模块,通过对三个不同的视觉检测和异常检测数据集(MVTec AD、InsPLAD 故障和半导体晶片)进行改进,提高了检测和分类能力,并通过定量和定性评估显示了改进的结果。
Jan, 2024
通过注意力机制和深度神经网络,提出了一种改进的 DifferNet 解决方案:AttentDifferNet,它在三个工业检测数据集中实现了改进的图像级缺陷检测和分类性能,达到了业界最新水平,突出了注意力在工业异常检测中的重要性。
Nov, 2023
本文提出了一个高分辨率双域学习网络(HDNet)用于高光谱图像的重建,该网络采用像素级精细特征和频率级细化来提高感知质量,在模拟和真实数据集中取得了最优结果。
Mar, 2022