ICCVAug, 2023

Retro-FPN：用于点云语义分割的回顾式特征金字塔网络

PDF
TL;DR通过在金字塔层面上建模每个点的特征预测，并利用回溯式的精炼过程从前一层中提取语义特征，本文提出 Retro-FPN 方法以解决点云语义分割中的信息丢失和模糊语义识别的问题，该方法在三个常用的骨干网络上得到了显著的性能提升。
point cloud semantic segmentationhierarchical feature pyramidretrospective refining processsemantic contextsretro-transformer
发现论文，激发创造
  • AugFPN: 改进目标检测多尺度特征学习

    本文分析了现有的特征金字塔结构在物体检测方面的问题，提出了一种新的名为 AugFPN 的特征金字塔架构，成功应用在 Faster R-CNN、RetinaNet 和 FCOS 等模型中，显著提高了平均精度 AP。

    Dec, 2019

  • FaPN：基于特征对齐的金字塔网络用于稠密图像预测

    本文提出了一种特征对齐模块和特征选择模块，用于上下文对齐上采样的高级特征，以及强调富有空间细节的低级特征，并将这两个模块集成在一个自上而下的金字塔结构中，形成了一种名为特征对齐金字塔网络（FaPN）的方法，该方法在四个密集预测任务和四个数据集上表现出比 Faster / Mask R-CNN 配对的 FPN 改进了 1.2-2.6 个 AP /mIoU 点，特别地，在 Mask-Former 中融合后，FaPN 在 ADE20K 上实现了 56.7％的 mIoU，代码可从此 URL 获得

    Aug, 2021

  • LR-FPN：利用位置优化特征金字塔网络增强遥感物体检测

    提出了一种新颖的位置精化特征金字塔网络（LR-FPN），以增强浅层位置信息的提取和细粒度上下文交互。通过实验验证，LR-FPN 在遥感目标检测方面优于现有的方法。

    Apr, 2024

  • 特征金字塔网络用于目标检测

    该论文介绍了基于深度卷积网络的 Feature Pyramid Network（FPN），该网络利用深度卷积网络自带的金字塔多尺度特征，并在多种应用中取得了重大改进，尤其是在目标检测上。使用 FPN 的 Faster R-CNN 系统在 COCO 检测基准测试中取得了最先进的单模型结果。此外，该方法能够在 GPU 上以 5 FPS 的速度运行，是一种实用且准确的多尺度目标检测解决方案。

    Dec, 2016

  • RCNet: 反向特征金字塔和跨尺度移位网络用于目标检测

    本篇研究提出一种新型的 RCNet 架构，由 Reverse Feature Pyramid (RevFP) 和 Cross-scale Shift Network (CSN) 组成，用于多尺度特征融合，在 MS COCO 测试集中证明 RCNet 能够显著提高 RetinaNet 等检测器的精度

    Oct, 2021

  • 基于注意力聚合的特征金字塔网络 A^2-FPN 用于实例分割

    通过提出基于注意力聚合机制的特征金字塔网络（A^2-FPN），来提升多尺度特征学习的能力， 在不同的实例分割框架中实现了一致的性能提升，例如，在使用 ResNet-50 和 ResNet-101 作为骨干网的 Mask R-CNN 中，相比于 FPN 增加了 2.1% 和 1.6% 的掩膜 AP。此外，在 Cascade Mask R-CNN 和 Hybrid Task Cascade 等强基线中，A^2-FPN 的掩膜 AP 分别提高了 2.0% 和 1.4%。

    May, 2021

  • GraphFPN：面向物体检测的图特征金字塔网络

    本文提出的基于图形特征金字塔网络的多尺度特征学习方法，在对象检测任务中优化了 Faster R-CNN 算法，并超越了之前的最先进特征金字塔算法和其他流行的检测方法。

    Aug, 2021

  • Voxel-FPN：在点云中多尺度体素特征聚合的三维物体检测

    本研究提出了一种基于 LIDAR 传感器的一阶段 3D 目标检测器，该检测器在从点数据中提取特征上表现出更好的性能，并在 KITTI-3D 基准测试中表现优异，其速度和准确性在实际场景中具有实际应用价值。

    Jun, 2019

  • 全景特征金字塔网络

    本文介绍了一种用于 Panoptic 分割任务的新方法，即在 Mask R-CNN 模型中使用共享的 Feature Pyramid Network 实现对实体和语义分割任务的联合建模，该方法既能保持实体分割的高效性，而且还能实现语义分割的最佳性能。

    Jan, 2019

  • 实时语义分割的特征金字塔编码网络

    提出了一种轻量级特征金字塔编码网络（FPENet）来在语义分割任务中平衡精度和速度。通过深度扩张卷积对多尺度上下文特征进行特征金字塔编码块的编码，在解码器中引入了互相嵌入上采样模块以高效聚合高级语义特征和低级空间细节。在 Cityscapes 和 CamVid 基准数据集上，该网络具有更少的参数和更高的推理速度，并实现了 68.0％的平均 IoU 和 102 FPS 的速度。

    Sep, 2019