Oct, 2023

HB-net：全面爆发细胞群集集成网络用于遮挡多目标识别

PDF
TL;DR本研究提出了一种基于 HB 细胞群的 HB-net 网络框架，用于同时识别图像中多个遮挡物的复杂任务。实验证明，该框架在模型准确性方面比不含 HB 框架的模型提高了 2.98％，对于 ResNet50，该框架与 EA 机制相结合的模型具有可比较的准确性和鲁棒性。
multi-label classificationconvolutional neural networksholistic burstinghb-netcomputer vision algorithms
发现论文，激发创造
  • HBONet：两个正交维度上的谐波瓶颈

    介绍了 Harmonious Bottleneck on two Orthogonal dimensions (HBO) 和 HBONets，这是 MobileNets 的一种新的架构模块和模型，其在提高模型准确度方面表现出色，并且具有很强的计算效率。

    Aug, 2019

  • 基于颜色空间的 HoVer-Net 用于细胞核实例分割和分类

    本研究提出了一种基于多通道颜色空间和统一聚焦损失函数（UFL）的核分割和分类方法，同时使用 ConvNeXt 作为 HoVer-Net 模型的编码器，使其能够自动提取区分特征，并使用 SAM 算法确保模型的普适性和达到了 12.489% mPQ + 的测试效果，超越当前 SOTA，适用于多种医学分析应用。

    Mar, 2022

  • CNN: 单标签到多标签

    本研究提出了一个深度卷积神经网络结构 (HCP)，可灵活应对多标签图像任务，并成功应用于 Pascal VOC2007 和 VOC2012 数据集中，表现优于其他同类算法，最大平均精度达到 84.2%。

    Jun, 2014

  • 基于双层网络结构的遮挡感知实例分割

    通过 Bilayer 卷积网络和视觉 Transformer 对遮挡的目标进行建模，以同时检测遮挡物和部分遮挡实例，并使用遮挡物和遮挡实例查询将遮挡关系分离，从而实现图像实例分割。

    Aug, 2022

  • 贝叶斯和卷积网络用于星系的层次形态分类

    本研究主要使用 BCNN 方法对星系进行形态分类，通过卷积神经网络（CNN）训练不同类别的星系图像，并结合贝叶斯网络进行预测，结果显示 BCNN 在多个评估指标上表现优于其他 CNN 模型。

    May, 2024

  • 基于整体表征的引导注意力网络用于场景文字识别

    本研究提出一种基于全局特征引导注意力的二维卷积神经网络和序列解码器来识别场景文本的简单但强大方法，训练时仅使用单词级别的注释，相比循环神经网络，能够在前向和后向传递中获得 1.3x 至 9.4x 不等的加速。在评估的正常和不规则的场景文本基准数据集上实现了最先进或竞争性的识别性能。

    Apr, 2019

  • 全局嵌套边缘检测

    使用深度学习模型，通过全卷积神经网络和深度监督网络技术实现图像到图像的预测，提出一种全局学习和多尺度特征学习的新型边缘检测算法 (HED)，在 BSD500 和 NYU Depth 数据集上较以前的基于卷积神经网络的边缘检测算法拥有更快的速度 (平均 0.4 秒每张图像).

    Apr, 2015

  • HD-CNN：用于大规模视觉识别的分层深度卷积神经网络

    本文提出了一种基于分层结构的深度卷积神经网络 (HD-CNNs)，易分类的类别使用粗分类器进行区分，难分类的类别使用细分类器进行区分，并使用条件执行和层参数压缩等技术提高了可扩展性，成功地在 CIFAR100 和 ImageNet 等基准数据集上取得了最优结果。

    Oct, 2014

  • 在二维蜜蜂蜂巢中实现密集目标跟踪

    本文研究了利用卷积神经网络实现密集物体跟踪，通过对蜜蜂巢穴模型的适应性个体标记和 U-Net 分割架构的使用，进一步利用视频记录的时间规律，通过机器学习实现对密集群体中物体的准确识别，并可以在一个网络结构内有效地确定物体的位置和方向。

    Dec, 2017

  • 具有重叠双层的深度遮挡感知实例分割

    该研究提出了使用双重卷积神经网络（Bilayer Convolutional Network）对高度重叠的物体进行实例分割，特别是在存在遮挡情况时能够提高性能，并通过实验证明了其简洁性及有效性。

    Mar, 2021