May, 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

PDF
TL;DR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。
segnet architectureimage semantic segmentationresidual connectionsmulti-residual connection strategycross-entropy loss function
发现论文，激发创造
  • SegNet：一种用于图像分割的深度卷积编码器 - 解码器架构

    本文介绍了一种用于语义像素分割的深度全卷积神经网络，称为 SegNet。该网络架构由编码器网络、相应的解码器网络和像素分类层组成，编码器网络的拓扑结构与 VGG16 网络的 13 个卷积层完全相同，解码器使用池化索引计算非线性上采样，使得解码器可以将低分辨率的特征映射映射到全分辨率的特征映射，从而在像素级别进行分类。评估结果表明，SegNet 相对于其他现有的架构具有更好的推理性能和更高的效率。

    Nov, 2015

  • SegNet：一种用于强健语义像素级标注的深度卷积编码器 - 解码器架构

    提出 SegNet，一种用于语义像素级图像标注的深度编码器 - 解码器结构。该网络通过编码器捕捉图像特征，并使用解码器映射到原始图像尺寸，实现了准确的像素级预测。在无需额外辅助信息的情况下，在几个公共基准数据集上的表现均优于最先进的方法。

    May, 2015

  • RedNet：用于室内 RGB-D 语义分割的残差编码器 - 解码器网络

    本文提出了一个名为 RedNet 的 RGB-D 残差编码器 - 解码器架构，用于室内 RGB-D 语义分割；该架构应用了残差模块作为基本构建块，跳跃式连接用于跨越编码器和解码器之间的空间特征。

    Jun, 2018

  • 编码器更复杂并非唯一需求

    U-Net 及其变种在医学图像分割中被广泛使用，然而大多数变种仅仅将改进策略局限于构建更复杂的编码器，而忽视了解码器的真正功能和提高分割结果的关键作用。为解决相关研究的空白，我们引入了 neU-Net，其中包括一种新颖的子像素卷积来进行上采样，以构建强大的解码器，并在编码器端引入多尺度小波输入模块以提供额外的信息。我们的模型设计在 Synapse 和 ACDC 数据集上取得了出色的结果，超过了其他最先进的方法。

    Sep, 2023

  • 语义分割的简单高效结构

    通过使用类 ResNet 的主干和小型多尺度头部的简单编码器 - 解码器架构，扩大有效接受域， 实现了与 HRNet 等复杂语义分割架构相当甚至更好的性能，提供了简单有效的基准模型供从业者开发高效的语义分割模型。

    Jun, 2022

  • 使用深度卷积网络的语义感知图像压缩

    应用深度学习的方法解决在损失图像和视频压缩中提高视觉质量的问题，通过训练一个特定的卷积神经网络，实现对图像语义的理解，并通过对每个对象训练特征的方式生成高质量的压缩图像。

    Dec, 2016

  • 高效语义分割的知识适应

    针对语义分割中的计算效率和精度问题，本文提出一种知识蒸馏方法，利用预训练自编码器在转移潜空间内优化特征相似度，同时引入亲和力蒸馏模块以计算整个图像的远程依赖，将经典的深度 FCN 用于大步长下进行语义分割，实验证明，所提出的方法不仅可以提高小型 FCN 的精度，还可以使用较少的 FLOPS 训练出优秀的小型模型。

    Mar, 2019

  • 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

    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)。

    Jan, 2024

  • 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

  • 图像修复的多级编码器 - 解码器架构

    本研究提出了一种基于编解码器网络的多层扩展框架，探究了不同网络结构对图像修复任务的影响，并与其他最先进方法进行了性能比较。关键词包括图像修复、深度学习、编解码器网络、网络结构和性能比较。

    May, 2019