Jan, 2024

SERNet-Former：利用注意力增强门和注意力融合网络的高效残差网络进行语义分割

PDF
TL;DR基于最近在语义分割中的成功和问题，该研究提出了一种具有高效残差网络的编码器 - 解码器架构，使用注意力增强门和模块来融合基于特征的语义信息与全局上下文，并在解码器部分部署附加的注意力融合网络以提高语义信息的一对一转换的效率。测试结果显示，该网络在 CamVid 数据集上达到了最先进的结果 (84.62% 平均 IoU)，在 Cityscapes 验证数据集上取得了具有挑战性的结果 (87.35% 平均 IoU)。
semantic segmentationefficiencyencoder-decoder architectureattention-boosting gatesresidual network
发现论文，激发创造
  • 邻域注意力加强 ResUNet 编码器以提高道路提取精度

    提出了一种名为 ResUNetFormer 的深度语义分割神经网络，利用残差学习、HetConvs、UNet 和视觉变压器的能力，用于精准道路提取。在公开的马萨诸塞州道路数据集上，统计和视觉结果表明了 ResUNetFormer 比卷积神经网络和视觉变压器更优。

    Jun, 2023

  • 用于语义分割的融合注意力网络，在极高分辨率遥感图像中的应用

    本文提出了一种多路径编码器结构来提取多路径输入的特征，多路径注意力融合块模块来融合多路径特征，以及细化注意力融合块模块来融合高层抽象特征和低层空间特征。同时，提出了一种新的卷积神经网络架构，名为注意力融合网络 (AFNet)。基于该 AFNet，在 ISPRS Vaihingen 2D 数据集上达到了 91.7% 的整体精度和 90.96% 的平均 F1 分数，在 ISPRS Potsdam 2D 数据集上达到了 92.1% 的整体精度和 93.44% 的平均 F1 分数，取得了最先进的性能。

    May, 2021

  • SegFormer：使用 Transformer 简单高效的语义分割设计

    SegFormer 是一种简单、高效而强大的语义分割框架，它将 Transformers 和轻量级的多层感知机解码器统一在一起。我们展示了这种轻量简单设计对提高 Transformers 语义分割效率的关键所在，并为 SegFormer 构建了一系列模型，其中最好的模型 - SegFormer-B5，在 Cityscapes 验证集上达到了 84.0％的 mIoU，显示了出色的零 - shot 鲁棒性。

    May, 2021

  • U-MixFormer：混合注意力的类 UNet Transformer 进行高效语义分割

    我们提出了一种新的变换器解码器 U-MixFormer，基于 U-Net 结构设计的，用于高效的语义分割。通过在编码器和解码器阶段之间利用侧连接作为特征查询，我们的方法与以前的变换器方法有所不同。此外，我们创新地混合来自各个编码器和解码器阶段的分层特征图，形成一个统一的键和值表示，从而产生我们独特的混合注意模块。大量实验证明，U-MixFormer 在各种配置上表现出色，并且在 ADE20K 上使用 MSCAN-T 编码器的 mIoU 比 SegFormer 和 FeedFormer 高出 3.3%。

    Dec, 2023

  • (AF) 2-S3Net: 基于自适应特征选择的注意力特征融合稀疏语义分割网络

    本文介绍了一种基于 AF2-S3Net 的端到端编解码 CNN 网络，用于 3D LiDAR 语义分割，并在大规模 SemanticKITTI 基准测试上展示了其优越性能。

    Feb, 2021

  • 单幅图像超分辨率的混合残差注意力网络

    通过采用二值化特征融合（BFF）结构，提出了基于残差组（RG）的多尺度特征提取模块和通道注意力机制的混合残差注意网络（HRAN），能够显著提高图像超分辨率的性能。

    Jul, 2019

  • BiSeNet 的复仇：高效的多任务图像分割

    提出了一种针对图像分割的高效多任务架构 BiSeNetFormer，能够在保持高效和准确性的同时处理多种分割任务，其结果表明 BiSeNetFormer 在模型效率和任务适应性之间构建了桥梁，具有快速、高效和多任务分割网络的显著进展。

    Apr, 2024

  • 加强的编码 - 解码网络架构对图像语义分割中的信息损失进行减少

    本研究提出了一种创新的编码器 - 解码器网络结构，利用残差连接增强了传统 SegNet 架构在图像语义分割任务中的准确性。通过多重残差连接策略有效地保留了不同图像尺度上的细节，从而最小化了下采样过程中的信息丢失。此外，为了增强网络训练的收敛速度并减轻样本不平衡问题，我们设计了一种修改后的交叉熵损失函数，引入了平衡因子来优化正负样本的分布，从而提高了模型训练的效率。实验评估结果表明，我们的模型在信息损失减少和语义分割准确性改善方面取得了显著的成果。特别地，在数据集上，与传统 SegNet 相比，提出的网络架构在精细注释的平均交并比（mIoU）上有着明显的改进。该提出的网络结构不仅降低了人工检查的成本，还可以扩大 AI 驱动的图像分析在不同领域中的应用规模。

    May, 2024

  • 语义分割的压缩注意力网络

    本文提出了一种新颖的挤压和注意力（SA）模块，结合传统卷积实现像素组关注和像素级预测，最终通过融合四个层次的 SANet 的输出来集成多尺度的上下文信息，从而实现了在 PASCAL VOC 和 PASCAL 上的语义分割任务中表现出色。

    Sep, 2019

  • 街景语义分割的全分辨率残差网络

    提出了一种 ResNet-like 的网络结构，结合多尺度上下文信息和像素级精确度，使得在不需要额外处理步骤和预训练的情况下，可以在 Cityscapes 数据集上实现 71.8％ 的交并比得分，以提高自动驾驶系统中的图像分割效果。

    Nov, 2016