多层特征融合的尺度均衡
我们提出了一种新的隐式网络类别,即多尺度深度平衡模型(MDEQ),适用于大规模高度分层的模式识别领域。这种方法可以同时解决多个特征维度的平衡点,并且可以用于多种任务和损失函数,例如使用单个 MDEQ 同时执行图像分类和语义分割。在 ImageNet 分类和 Cityscapes 数据集高分辨率图像的语义分割任务上,我们展示了此方法的有效性。
Jun, 2020
本论文提出了基于尺度空间理论的比例等变 UNet(SEUNet)进行数字组织病理学图像分割,实验结果表明该方法在训练参数更少的情况下优于其他方法。
Apr, 2023
在计算机视觉中,为了有效地执行图像分割等任务,模型必须能够适应图像分辨率的变化,这被称为尺度等变性。最近的研究通过权重共享和内核调整等方式,取得了在发展尺度等变性卷积神经网络方面的进展。然而,在实践中,这些网络并不是真正的尺度等变性的。为了解决这个问题,我们直接在离散域中考虑了抗锯齿,并提出了一种基于傅里叶层的新型架构,以实现真正的尺度等变深度网络,即绝对零等变误差。在先前的研究基础上,我们对 MNIST-scale 和 STL-10 数据集上测试了这个模型。我们提出的模型在保持零等变误差的同时,实现了有竞争力的分类性能。
Nov, 2023
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
本研究主要探讨了特征金字塔与金字塔卷积在计算机视觉和目标检测中的应用,提出了一种可提高性能的尺度均衡金字塔卷积模块,并展示了其在单阶段和双阶段目标检测器上的优越表现.
May, 2020
为了解决现有融合式少样本图像生成方法在生成质量和多样性上的不足,我们提出了一种新颖的特征均衡融合生成对抗网络(EqGAN)来进行少样本图像生成。通过将编码特征解耦为浅层内容和深层内容,并使用两个独立分支分别融合结构和纹理,我们能够在各个特征层次上细化图像内容,通过跳跃连接为解码器提供更丰富的信息。通过等化不同尺度的融合结构和纹理语义,并通过一致性等化损失将等化特征与解码器的中间输出进一步对齐,以解决融合结构和纹理可能不一致的问题。在三个公开数据集上的综合实验证明,EqGAN 不仅在 FID 分数(最高提升 32.7%)和 LPIPS 分数(最高提升 4.19%)方面显著提高了生成性能,还在下游分类任务的准确性方面超过了现有最优方法(最高提升 1.97%)。
Jul, 2023
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
通过权重共享和卷积核重新缩放的方式,基于一些普遍的先决条件,建立了精确的尺度卷积等变性,并为所有情况找到了确切的解,并计算其余近似值。这种离散尺度卷积具有重要意义,能在 MNIST-scale 和 STL-10 的监督学习中达到最新分类性能,并通过 OTB-13 上尺度等变 Siamese 跟踪器改进了计算效率。
Jun, 2021