MMAug, 2023

特征解耦与重用网络快速交互式分割

PDF
TL;DR我们提出了一种名为特征解耦循环网络（FDRN）的交互分割方法，通过解耦建模组件并循环利用组件来显著提高整个交互过程的效率，同时保持有利的分割性能。
interactive segmentationfeature decoupling-recycling networkefficiencyuser guidancesegmentation performance
发现论文，激发创造
  • 有效面部表情识别的特征分解与重建学习

    本文介绍了基于特征分解和重构学习的新型面部表情识别方法，通过特征分解网络和特征重构网络的使用，实现了更好的表情识别效果。

    Apr, 2021

  • 基于循环解码单元的医学 MRI 分割

    本文提出了一种名为 Recurrent Decoding Cell（RDC）的新型特征融合单元，利用卷积 RNN 从前面的层中记忆长期上下文信息，同时基于 RDC 提出了 Convolutional Recurrent Decoding Network（CRDN）用于分割多模态医学 MRI，实验证明引入 RDC 能有效提高分割准确性并减少模型大小，并且所提出的 CRDN 具有在医学 MRI 中对抗图像噪声和强度不均匀性的鲁棒性。

    Nov, 2019

  • 学习特征分离和动态融合以进行图像取证

    本文提出了四种图像篡改识别方法并设计了适应性强的 FDDF 模型以识别不同的图像篡改模式，并构建了一个五倍于之前数据集的实景万能复制（RUR）数据集。实验表明，FDDF 模型在 RUR 数据集上表现出色，是目前最先进的技术之一。

    Jun, 2022

  • 学习多尺度特征进行前景分割

    本文提出了一种新的鲁棒性编码器解码器结构的神经网络，使用少量的训练示例进行端到端的训练，通过特征融合在 Feature Pooling Module 中提取多尺度特征，实现对相机运动的鲁棒特征池化，免去多尺度输入的需求，通过 CDnet2014、SBI2015 和 UCSD Background Subtraction 数据集的实验表明，所提出的方法的整体 F-Measure 平均值优于现有所有最先进的方法。

    Aug, 2018

  • 解耦和记忆增强网络：面向单步人物搜索的有效特征学习

    本文提出了一种名为 DMRNet 的解耦和增强记忆的网络，用于解决当前单步方法中存在的目标冲突和小批量训练时识别特征学习不足的问题，在 CUHK-SYSU 和 PRW 数据集上实现了高达 93.2％和 46.9％的 mAP 精度，超越了所有现有的一步方法。

    Feb, 2021

  • 用于少样本图像分类的解耦特征表示

    本篇论文提出了一种名为 DFR 的新型解缩特征表示框架，它可以适应性地解耦由分类分支建模的有区别性特征和变差分支的类不相关的成分，从而提升了各种少样本任务上深度学习方法的性能，这是通过将其分类分支嵌入 DFR 实现的并在 mini-ImageNet、tiered-ImageNet、CUB 和 FS-DomainNet 等四个数据集上进行了相关实验和测试得出的。

    Sep, 2021

  • 轻量级图像超分辨率残差特征蒸馏网络

    本文提出了一种基于特征蒸馏连接（FDC）的轻量级单图像超分辨率模型，即残差特征蒸馏网络（RFDN），它使用多个特征蒸馏连接来学习更具区分性的特征表示，同时提出了浅残差块（SRB）作为 RFDN 的主要构建块，通过大量实验证明，与现有的最先进方法相比，所提出的 RFDN 在性能和模型复杂度方面有更好的折衷效果，并在 AIM 2020 高效超分辨率挑战赛中获得了第一名。

    Sep, 2020

  • DecoupleNet: 基于解耦的网络用于领域自适应语义分割

    本文提出了 DecoupleNet 算法，通过 Self-Discrimination 技术和 Online Enhanced Self-Training 方法解决已有无监督域适应方法中存在的问题，这一算法在语义分割方面优于目前现有的方法。

    Jul, 2022

  • 特征增强分割网络（FES-Net）用于血管分割

    利用深度学习技术，提出了一种名为 FES-Net 的新型特征增强分割网络，用于准确地分割视网膜血管，无需额外的图像增强步骤，并在多个公开数据集上验证了其卓越的性能。

    Sep, 2023

  • DeFRCN：用于少样本物体检测的解耦快速 R-CNN

    本文提出了一种名为 Decoupled Faster R-CNN (DeFRCN) 的简单而有效的体系结构，通过引入 Gradient Decoupled Layer 和 Prototypical Calibration Block 来解决数据稀少场景下的性能问题，在多个基准测试中都表现出优秀的性能表现，并成为少样本文献领域的新的最佳模型。

    Aug, 2021