基于多尺度注意力的实例分割方法用于测量尺寸变化较大的晶体
本论文研究了怎样在卷积神经网络中实现多尺度特征表示,提出了一种注重对每个像素位置进行加权的注意力机制。通过对三个大型数据集的广泛实验,证明了该方法的有效性。
Nov, 2015
本文提出了一种新颖的注视模型用于语义分割,该模型聚合了多尺度和上下文特征进行预测。该模型使用骨骼卷积神经网络框架输入多个不同的尺度,进而可以获取不同尺度的表示。提出的注视模型将分别处理不同尺度的特征并集成它们。然后,该模型的位置注视分支学习到每个像素位置上的多尺度特征的软加权。此外,我们添加了一个重新校准分支,与位置注视分支平行,用于重新校准每个类别的分数图。在 PASCAL VOC 2012 和 ADE20K 数据集上,我们取得了相当有竞争力的结果,超过了基线和相关工作。
Jul, 2018
本文提出了一种新的方法来解决二维量子材料在硅芯片中的检测问题,该方法利用实例分割重点解决了缺少注释数据的问题,并通过自动检测假阴性物体和基于注意力的损失策略来减少这些物体对整体损失函数的负面影响,实验表明该方法优于之前的工作。
May, 2022
提出了一种名为 SA2-Net 的方法,利用多尺度特征学习来有效处理微观图像中的不同结构,通过尺度感知注意力模块实现对微观区域的准确分割,并通过自适应上采样模块解决了模糊边界的问题。
Sep, 2023
本文介绍了一种基于注意力机制的多尺度预测整合方法,其中的层次化结构能够节省大量内存,提高训练速度和模型精度,并在 Cityscapes 和 Mapillary Vistas 数据集上达到了新的最优结果。
May, 2020
通过比较传统方法和机器学习驱动方法,该论文提出了一种新颖的深度学习驱动的语义分割方法,用于钻石生长领域的特征提取,实现了对钻石、挡板和背景等几何特征的像素掩膜的分离和分类,通过注重标注的人在环软件架构实现数据集的训练,结合主动学习、数据增强和模型辅助标注的模块,有效提高了标注的准确性并显著降低了标注的时间和成本,其中 DeeplabV3plus 架构的模型在准确分类感兴趣特征方面的性能优秀,对挡板的准确率达到 96.31%,对钻石顶部的准确率达到 98.60%,对钻石侧面的准确率达到 91.64%。
Apr, 2024
采用引导自我关注机制的卷积神经网络模型对医学图像进行语义分割,能够更好地捕捉图像中的上下文依赖关系,去除冗余的信息提取并集成本地特征和全局依赖,强调相关特征关联,从而取得更好的分割效果。
Jun, 2019
通过利用原位光学图像识别可见的宏观缺陷状态特征,本文详细介绍了利用语义分割方法进行缺陷分割的方法,并采用基于 YOLOV3 和 DeeplabV3plus 架构的深度学习算法,在钻石生长的过程中取得了很好的准确性。
Apr, 2024
我们提出了一种新的预训练框架,利用多尺度视觉表示来捕捉电子显微镜(EM)体积中体例的像素级一致性和特征级一致性,并在特征金字塔上使用对比学习方案提取多尺度的具有区分性的特征,以实现神经元和线粒体体例分割任务的表现提升。
Aug, 2023