高效的超列关联语义匹配
本文提出了利用多层特征相关性和高效 4D 卷积的 HSNet 来解决少样本语义分割问题,通过 coarse-to-fine 方式逐渐将高层次和低层次的几何和语义信息聚合到精确的分割掩模中,并在 PASCAL-5i、COCO-20i 和 FSS-1000 标准基准上验证了该方法的有效性。
Apr, 2021
该论文提出了一种名为 DCCNet 的动态上下文对应网络,通过引入注意力机制,整合了多种语义线索,对计算机视觉中语义对应问题进行了改进,并在多个数据集上验证了该方法的有效性。
Sep, 2019
本文提出了一种多尺度匹配网络,该网络可以对邻近像素之间微小的语义差异进行敏感的多尺度匹配,并利用深度卷积神经网络的多尺度结构学习判别像素级特征。实验结果表明,该方法在三个流行的基准测试上具有高计算效率并达到了最先进的性能。
Jul, 2021
本文提出了一种基于 transformer 架构的 Hierarchically Decoupled Matching Network(HDMNet)用于 few-shot 语义分割任务。该网络利用自注意力机制来建立层次化的密集特征并使用匹配模块降低过拟合,引入来自粗分辨率的语义对应的相关性传递,以提高细粒度的分割。在实验中该方法表现良好,在 COCO 数据集上的 1-shot 和 5-shot 分割分别达到了 50.0% 和 56.0% 的 mIoU。
Mar, 2023
本文提出了 SCNet,一种基于卷积神经网络的语义对应的几何合理模型,利用区域提议实现匹配原语,并明确将几何一致性纳入其损失函数中,该方法在多项基准测试中均表现优异。
May, 2017
本研究提出了一种基于超像素的图像匹配算法,利用卷积神经网络中的早期到后期的相关特征,结合 Hough 几何投票算法,能够有效地处理大量图像,并在多个标准基准测试中创造新的记录。
Aug, 2019
本文提出了基于 Hierarchically Decoupled Matching Network (HDMNet) 的 Few-shot 语义分割方法,使用 transformer 架构、自注意力模块和匹配模块来实现级联匹配和关键像素级别的支持关联,且通过语义对应度实现了从粗糙分辨率到细粒度分割的相关性蒸馏,实验结果表明在 COCO 数据集中的 few-shot 语义分割任务上取得了较好的性能。
Jun, 2023
文章提出了一种新方法,名为 Dynamic Hyperpixel Flow,利用条件图像在深度卷积神经网络中选择少数相关层,动态构成有效特征,从而在语义对应任务中取得了表现显著的提升。
Jul, 2020
通过引入 Hough 变换的思想,本文提出了一种基于卷积匹配的几何匹配算法 Convolutional Hough Matching,这种方法在几何变换空间中分配了候选匹配的相似度,并以卷积方式对其进行评估,将其转化为了一个可训练的神经层。该方法在相对较小的可解释参数下实现了非刚性匹配,并在标准基准测试方面实现了新的最佳结果,证明了其对具有挑战性的类内变化具有强大的鲁棒性。
Sep, 2021
本文提出了一种新的复合相关量化(CCQ)模型,通过最大化相关性的映射,将不同模态嵌入到连续的同构空间中,并同时学习复合量化器,将同构潜在特征转换为紧凑的二进制码,以实现高效的相似性检索。实验证明,CCQ 模型优于现有的哈希方法,可用于单模态和跨模态检索。
Apr, 2015