Feb, 2024

mAPm: 增强目标尺度变化的多尺度注意力金字塔模块在 RLD 检测中的应用

PDF
TL;DR在计算机视觉中，尤其是在类似水稻叶病检测这样物体呈现显著尺度变化的任务中，检测不同尺度物体仍然是一个重要挑战。本研究提出了多尺度关注金字塔模块（mAPm），将扩张卷积集成到特征金字塔网络（FPN）中，以增强多尺度信息提取能力。此外，我们还结合了全局多头自注意机制和反卷积层来优化上采样过程。我们在 YOLOv7 上使用 MRLD 和 COCO 数据集对 mAPm 进行了评估。与纯 FPN、BiFPN、NAS-FPN、PANET 和 ACFPN 相比，mAPm 在平均精度（AP）上取得了显著提升，在 MRLD 数据集上相对于 YOLOv7 基线 FPN 方法提高了 2.61%。这表明它在处理尺度变化方面的有效性。此外，mAPm 的多功能特点使其能够整合到各种基于 FPN 的目标检测模型中，展示了推进目标检测技术的潜力。
发现论文，激发创造
  • AugFPN: 改进目标检测多尺度特征学习

    本文分析了现有的特征金字塔结构在物体检测方面的问题，提出了一种新的名为 AugFPN 的特征金字塔架构，成功应用在 Faster R-CNN、RetinaNet 和 FCOS 等模型中，显著提高了平均精度 AP。

    Dec, 2019

  • M2Det: 基于多级特征金字塔网络的单次检测器

    本文提出了一种称为多级特征金字塔网络（MLFPN）的方法，通过融合多级特征从而构建更有效的特征金字塔用于检测不同尺度的对象，并且将 MLFPN 集成到 SSD 中构建了名为 M2Det 的一阶段强大的端到端对象检测器，在 MS-COCO 基准测试中以单尺度推理策略实现了 AP 41.0，以多尺度推理策略实现了 AP 44.2，这是一阶段检测器中的新的最佳结果。

    Nov, 2018

  • S$^2$-FPN：面向实时语义分割的尺度可扩展的条形注意力引导特征金字塔网络

    本文提出一种名为 S^2-FPN 的轻量级模型，用于实时场景语义分割。该模型采用了注意力机制、尺度感知条带注意力以及全局特征上采样等多种方法，从而在准确度和速度之间达成权衡，提高了图像分割的效率。

    Jun, 2022

  • FaPN：基于特征对齐的金字塔网络用于稠密图像预测

    本文提出了一种特征对齐模块和特征选择模块，用于上下文对齐上采样的高级特征，以及强调富有空间细节的低级特征，并将这两个模块集成在一个自上而下的金字塔结构中，形成了一种名为特征对齐金字塔网络（FaPN）的方法，该方法在四个密集预测任务和四个数据集上表现出比 Faster / Mask R-CNN 配对的 FPN 改进了 1.2-2.6 个 AP /mIoU 点，特别地，在 Mask-Former 中融合后，FaPN 在 ADE20K 上实现了 56.7％的 mIoU，代码可从此 URL 获得

    Aug, 2021

  • AMMUNet: 遥感图像分割的多尺度注意力地图融合

    AMMUNet 是一种基于 UNet 的框架，通过多尺度注意力图合并实现全局建模，用于精确的遥感语义分割，并取得了优越的性能。

    Apr, 2024

  • 基于注意力聚合的特征金字塔网络 A^2-FPN 用于实例分割

    通过提出基于注意力聚合机制的特征金字塔网络（A^2-FPN），来提升多尺度特征学习的能力， 在不同的实例分割框架中实现了一致的性能提升，例如，在使用 ResNet-50 和 ResNet-101 作为骨干网的 Mask R-CNN 中，相比于 FPN 增加了 2.1% 和 1.6% 的掩膜 AP。此外，在 Cascade Mask R-CNN 和 Hybrid Task Cascade 等强基线中，A^2-FPN 的掩膜 AP 分别提高了 2.0% 和 1.4%。

    May, 2021

  • 特征金字塔网络用于目标检测

    该论文介绍了基于深度卷积网络的 Feature Pyramid Network（FPN），该网络利用深度卷积网络自带的金字塔多尺度特征，并在多种应用中取得了重大改进，尤其是在目标检测上。使用 FPN 的 Faster R-CNN 系统在 COCO 检测基准测试中取得了最先进的单模型结果。此外，该方法能够在 GPU 上以 5 FPS 的速度运行，是一种实用且准确的多尺度目标检测解决方案。

    Dec, 2016

  • 单目深度预测的金字塔特征注意力网络

    通过引入金字塔特征注意网络（PFANet），以提升高级上下文特征和低级空间特征，进一步改善深度估计中的空间布局、边界模糊和物体表面不连续等问题，并通过采用不同尺度的双尺度通道注意模块（DCAM），并以空间金字塔注意模块（SPAM）作为低级特征图中多尺度详细信息的引导来利用视觉特征的空间关系。最后，引入了尺度不变梯度损失，以增加对深度不连续区域中错误的惩罚。实验结果表明，我们的方法在 KITTI 数据集上优于最先进的方法。

    Mar, 2024

  • 基于多尺度概率映射引导的具有注意力机制的指数池化在道路和建筑物分割中的应用

    该研究提出了一种新的多尺度监督扩张多路径注意力网络（MSSDMPA-Net）框架，其中包括动态注意力映射引导索引池化（DAMIP）和动态注意力映射引导空间和通道注意力（DAMSCA）等两个模块来从卫星图像中精确提取建筑物和道路，并且实验证明其优于现有方法。

    Feb, 2023

  • GraphFPN：面向物体检测的图特征金字塔网络

    本文提出的基于图形特征金字塔网络的多尺度特征学习方法，在对象检测任务中优化了 Faster R-CNN 算法，并超越了之前的最先进特征金字塔算法和其他流行的检测方法。

    Aug, 2021