May, 2024

ExtremeMETA: 多通道变形超材料成像的高速轻量级图像分割模型

PDF
TL;DR基于 ExtremeC3Net，本文提出了一个大型核心轻量级分割模型 ExtremeMETA，通过探索更大的卷积核和多路径处理来最大化第一卷积层的功能，在三个公开数据集上的实验证明了优化的高效设计在分割任务上改善了性能。
deep neural networksextremec3netmetamaterial neural networkslarge kernel lightweight segmentation modelmodel compression methods
发现论文，激发创造
  • 大核心超材料神经网络的数字建模

    提出了一种新颖的大卷积核变形材料神经网络（LMNN），通过模型重新参数化和网络压缩来最大化最先进的元件网络（MNN）的数字容量，并明确考虑了光学限制，实验结果证明这种优化的混合设计提高了分类准确性同时减少了计算延迟。

    Jul, 2023

  • 智能多通道元成像器加速机器视觉

    通过使用智能亚表面图像传感器与后端数字计算结合的方法，实现了大规模并行的高速低能耗光学卷积神经网络，应用在机器视觉的对象分类中，成功地对手写数字进行了 98.6% 的准确分类和时尚图像 88.8% 的分类。

    Jun, 2023

  • 金属铸造缺陷检测的高效神经网络方法

    提出了一种轻量级的深度学习模型用于在钢铁制造行业中识别表面缺陷，与 MobileNet、Inception、ResNet 和 Vision transformers 等预训练卷积神经网络相比，该新模型具有更高的准确性和更快的推理速度，并采用了深可分离卷积，全局平均池化层和改进的架构高效性增强技术。

    Aug, 2022

  • 图像分类的压缩元光学编码器

    使用光学和混合卷积神经网络，结合知识蒸馏和元光学器件，实现对 MNIST 数据集的图像分类任务，在大幅度减少延迟和功耗的同时，保持了高达 93% 以上的分类准确度。

    Apr, 2024

  • CMUNeXt：一种基于大型卷积核和跳跃融合的高效医学图像分割网络

    提出了 CMUNeXt，这是一种高效的全卷积轻量级医学图像分割网络，能够提取全局上下文信息，实现快速准确的辅助诊断，并在多个医学图像数据集上表现出优越的分割性能。

    Aug, 2023

  • L^3U-net: 基于低延迟轻量级 U-net 的图像分割模型，适用于并行 CNN 处理器

    本研究提出了一种用于低资源边缘设备的小型图像分割模型 L^3U-net，引入了一种数据折叠技术，利用 CNN 加速器的并行卷积层处理能力，降低推理延迟，并将该模型部署到 MAX78000 设备，结果表明 L^3U-net 在两个不同的分割数据集上实现了 90% 以上的准确率，每秒处理 10 帧。

    Mar, 2022

  • Micro-Net: 一种用于显微镜图像中多种物体分割的统一模型

    本文基于 CNN 的深度学习结构，针对显微镜图像中的目标分割和结构定位问题进行了研究，经过多重分辨率训练和中间层连接优化，通过多分辨率反卷积滤波器生成输出，在公开数据集上取得了优异的成果。

    Apr, 2018

  • RoadNet-RT: 实时道路分割的高通量 CNN 架构和 SoC 设计

    本文提出了一种基于 CNN 网络的轻量级、高吞吐量的 RoadNet-RT 架构，通过深入优化硬件设计和使用分离深度卷积和非均匀核大小卷积等技术，显著提高了道路分割的实时处理速度。相较于现有最先进的网络，在仅仅 6.2% 的精度损失下，RoadNet-RT 的速度提升了 20 倍。该 CNN 架构在 FPGA ZCU102 MPSoC 平台实现，计算能力达到 83.05 GOPS，每秒处理 327.9 帧大小为 1216x176 的图像。

    Jun, 2020

  • 高效自然图像抠图

    本研究提出了一种基于卷积神经网络的轻量级无裁剪自然图像抠图方法，通过构建分割网络和抠图精炼网络实现像素分类和细节信息提取，该方法具有可比较的性能但只使用大型模型约 1% 的参数 (344k)。

    Oct, 2021

  • 1M 参数足矣？用于医学图像分割的轻量级基于 CNN 的模型

    本文提出了一种基于 Depthwise Separable Convolution 的轻量化 U-Net 模型 ——U-Lite，该模型只有 878K 参数，在保持高精度的前提下降低了计算复杂度，因此在医学图像分割任务中表现优异。

    Jun, 2023