Dec, 2023

SRSNetwork：基于动态参数卷积的孪生重建 - 分割网络

PDF
TL;DR本文提出了一种用于弱目标图像分割（包括医学图像分割和红外图像分割）的高性能深度神经网络。为此，本文分析了现有的动态卷积，并提出了动态参数卷积（DPConv）。此外，本文从 DPConv 的角度重新评估了重建任务与分割任务之间的关系，提出了一种名为 Siamese Reconstruction-Segmentation Network（SRSNet）的双网络模型。所提出的模型不仅是一个通用网络，而且通过利用重建任务来提高分割性能，而无需改变其结构。此外，随着重建网络的训练数据量增加，分割网络的性能也得到同步提高。在包括五个医学数据集和两个红外图像数据集在内的七个数据集上，我们的 SRSNet 始终取得了最佳的分割结果。代码可在此 https URL 上获得。
发现论文，激发创造
  • 可重参数化的双分辨率网络用于实时语义分割

    该研究提出了一种用于实时语义分割的重参数化双分辨率网络（RDRNet），通过训练时使用多路径块（multi-path blocks），并在推理时将其重参数化为单路径块（single-path blocks），从而同时提高准确性和推理速度；此外还提出了可重参数化金字塔汇聚模块（RPPM），以增强特征表达能力。实验结果表明，RDRNet 在 Cityscapes、CamVid 和 Pascal VOC 2012 数据集上的性能和速度均优于现有最先进模型。

    Jun, 2024

  • 深度卷积网络图像超分辨率

    本文提出一种深度学习方法用于图像超分辨率，采用卷积神经网络直接将低分辨率图片转换为高分辨率图片，能够实现较快的速度和超强的恢复质量，扩展支持三种颜色通道同时处理。

    Dec, 2014

  • 3DSRnet：使用 3D 卷积神经网络进行视频超分辨率处理

    该论文提出了一种有效的三维卷积神经网络 3DSRnet，用于视频超分辨率，通过利用空时相干性来提高预测高分辨率帧的准确性，而且在不需要预处理的情况下优于最先进的方法，提出了一种新的处理场景变化的方法。

    Dec, 2018

  • 动态网络图像超分辨率

    本文介绍了一种动态网络（DSRNet）用于图像超分辨率，它包含了残差增强块、宽增强块、特征细化块和构建块。DSRNet 不仅能提取更准确的图像超分辨率信息，还能适用于复杂场景，并具有更轻便的结构。

    Oct, 2023

  • 基于异构动态卷积神经网络的图像超分辨率

    通过异构动态卷积网络来实现图像超分辨率，该网络能够有效地提取上下文信息和结构信息以改善图像超分辨效果。

    Feb, 2024

  • 深度和广度更大的连体网络，用于实时视觉跟踪

    本文提出了使用新型残差模块和控制尺寸和步幅的新型架构的方法来增强追踪鲁棒性和准确性，并在 SiamFC 和 SiamRPN 中应用这些架构，从而获得了统计显著的相对改进。

    Jan, 2019

  • 用于视频超分辨率的可变形三维卷积

    本文提出了一种变形 3D 卷积网络（D3Dnet）来融合来自空间和时间维度的时空信息进行视频超分辨率， 采用变形卷积与 3D 卷积相结合的方法，具有更好的时空建模能力和运动感知建模灵活性， 实验结果表明 D3D 在开发时空信息方面非常有效。

    Apr, 2020

  • 学习强健的 3D 人脸重建及判别身份表征

    本文提出了一种使用 Siamese 卷积神经网络的 3D 人脸重建方法，采用对比损失和恒等损失来保留身份特征信息和增加不同身份之间的距离，从而提高人脸识别的准确性。实验证明，在 300W-LP 和 AFLW2000-3D 等数据库上，相较于现有技术，该方法更加有效。

    May, 2019

  • SiamRPN++：使用非常深的网络演变的孪生视觉跟踪

    研究者通过理论分析和实验证明了 Siamese trackers 缺乏严格的平移不变性，为此提出了一种用于改善性能的有效的空间感知采样策略。通过进行广泛的消融研究，该模型在四个跟踪基准中获得了最佳结果，包括 OTB2015、VOT2018、UAV123 和 LaSOT。

    Dec, 2018

  • 用深度级联卷积神经网络重建动态磁共振成像

    通过深度学习生成卡式磁共振（MR）图像序列的方法，能够加速数据采集、提高图像清晰度，且在每张 2D 图像独立重建和序列帧联合重建方面均表现出优异的性能。

    Apr, 2017