Jul, 2023

紧凑的双重融合网络用于边缘检测

PDF
TL;DR本文提出了一种紧凑型次级融合网络 (Compact Twice Fusion Network, CTFN)，其中包括语义增强模块 (Semantic Enhancement Module, SEM) 和伪像素级加权模块 (Pseudo Pixel-level Weighting, PPW) 以完全整合多尺度特征，以及一种名为动态聚焦损失的新型损失函数，可用于处理纹理噪声干扰带来的分类挑战，在三个数据集上评估，CTFN 在参数和计算成本上均优于现有最先进方法。
发现论文，激发创造
  • 一种全卷积交互式图像分割的双流融合网络

    本文介绍了一种基于全卷积网络的交互式图像分割方法，利用深度学习中的两个子网络进行特征提取和分割，分别包括类特征融合网络和多尺度参数优化器网络。最终，在四个基准数据集上验证出该方法能够和现有的交互式图像分割方法相媲美的性能，同时具有更快速和更高效的模型训练与检验时间。

    Jul, 2018

  • 关注尺度：尺度感知的语义图像分割

    本论文研究了怎样在卷积神经网络中实现多尺度特征表示，提出了一种注重对每个像素位置进行加权的注意力机制。通过对三个大型数据集的广泛实验，证明了该方法的有效性。

    Nov, 2015

  • 多模态证据融合网络用于可信 PET/CT 肿瘤分割

    在计算机辅助肿瘤诊断和治疗中，精确分割 PET/CT 图像对癌症的诊断和治疗非常重要。本文提出了一种新颖的多模态证据融合网络（MEFN），通过交叉模态特征学习（CFL）模块和多模态可信融合（MTF）模块，以有效整合 PET 和 CT 图像中的互补信息并考虑模态不确定性，进而提高肿瘤分割的准确性和可信度。通过在两个公开的 PET/CT 数据集上进行广泛的对比实验，结果表明我们的方法在 DSC 评分上分别比现有方法提高了 2.15% 和 3.23%。此外，我们的模型还能够为放射科医生提供可信的分割结果不确定性，对于临床应用非常重要。

    Jun, 2024

  • 探索卷积融合网络在视觉识别中的应用

    通过卷积融合网络 (CFN) 和适应性权重的学习，实现多尺度深度表示的高效融合，并在场景识别、细粒度识别和图像检索等任务中获得显著改进。

    Nov, 2016

  • CD-CTFM：一种融合多尺度特征的遥感云检测轻量级 CNN-Transformer 网络

    本文提出了一种轻量级 CNN-Transformer 网络 CD-CTFM 来检测遥感图像中的云层，该方法在精度上与现有的最新方法相当，同时在效率方面表现优异。

    Jun, 2023

  • 一种基于多尺度特征融合的轻量级注意力深度网络用于多视角面部表情识别

    通过引入轻量级的关注网络，以及多尺度特征融合，本研究的主要目标是克服在实际应用中计算复杂性和多视角头部姿势方面所面临的挑战，该方法在参数数量和对姿势变化的鲁棒性方面达到了业界先进方法的水平。

    Mar, 2024

  • F3Net: 融合、反馈和聚焦用于显著目标检测

    本文提出 F3Net 算法，通过交叉特征模块和级联反馈解码器，结合像素位置感知损失函数，实现高效的显著目标检测，能够在各项指标上优于现有算法。

    Nov, 2019

  • MCFNet: 实时语义分割的多尺度协方差特征融合网络

    基于 BiseNet 的多尺度协方差特征融合网络 (MCFNet) 提出了一种新的架构，引入了新的特征细化模块和特征融合模块，并提出了名为 L-Gate 的门控单元来过滤无效信息和融合多尺度特征，实验结果显示我们的方法在 Cityscapes 和 CamVid 数据集上取得了竞争性的成功，其中在 Cityscapes 数据集上获得了 75.5% 的平均交并比 (mIOU) 和 151.3FPS 的速度。

    Dec, 2023

  • 多层级底部 - 顶部和顶部 - 底部特征融合用于人群计数

    针对高拥挤场景下的人群计数问题，我们提出了一种网络结构，利用多级底部 - 顶部和顶部 - 底部融合方法、跨度残差函数和精心生成的尺度感知的密度地图等技术，有效地解决了不同层次的信息整合问题，大大提高了计数的精度。

    Aug, 2019

  • 语义边缘检测的动态特征融合

    本文提出了一种新颖的动态特征融合策略，通过权重学习器对不同输入图像和位置适应地推断各级特征的融合权重，以更好地考虑由 Feature Map 的不同位置和输入图像产生的贡献，从而实现更准确、更清晰的边缘预测，实验证明该方法在语义边缘检测方面表现优异，达到了新的最高水平。

    Feb, 2019