AMMUNet: 遥感图像分割的多尺度注意力地图融合
提出了一种基于自注意力的不对称多尺度 U 型网络(AMSA-UNet)来提高去模糊的准确性和计算复杂度,通过引入多尺度 U 形结构,在全局层面关注模糊区域,在局部层面更好地恢复图像细节;在解码器部分引入自注意力机制,显著增加了模型的感受野,使其对图像的语义信息更加关注,从而产生更准确和视觉上令人愉悦的去模糊图像;同时,引入了基于频域的计算方法来减少计算量。实验证明,与八种优秀方法相比,所提出的方法在准确性和速度方面都有显著提升。
Jun, 2024
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
提出了一种新的模型,称为 AttaNet,用于在保持高效的同时捕获全局上下文和多级语义,通过 Strip Attention 模块和 Attention Fusion 模块实现低复杂度计算和加权特征融合技术,并在两个语义分割基准测试中进行了广泛的实验,取得了不同水平的速度 / 精度平衡和领先的表现。
Mar, 2021
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
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
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
提出了一种适应性多层次注意力模块(AMAM)来学习多尺度特征,并从不同特征层自适应地聚合显著特征,以增强对小目标的检测能力,实现多尺度特征增强和对象检测。通过将 AMAM 嵌入主干网络和特征金字塔网络(FPN)之间,提出了一种新颖的自适应多层次注意力网络(AMANet),并且 AMAM 可以轻松地插入不同的框架以提高对象检测性能。大规模合成孔径雷达(SAR)船舶检测数据集上的大量实验结果表明,AMANet 方法优于现有方法。
Jan, 2024
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
提出一种利用多尺度类别感知度量融合的自训练方法,采集不同尺度的注意力图信息并应用去噪和激活策略来增强潜在区域和减少嘈杂区域,最后利用优化后的注意力图重新训练模型,实验证明该方法可以从多尺度图像提取丰富的语义信息,并在 PASCAL VOC 2012 验证集和测试集上实现了 72.4% 的平均交并比得分。
May, 2023
本文提出了一个卷积神经网络(CNN)的多尺度关注网络(MAN),其中包括多尺度大型核关注(MLKA)和门控空间关注单元(GSAU),以提高卷积 SR 网络的性能。实验结果表明,我们的 MAN 可以在不同的状态下实现各种平衡。
Sep, 2022