Jun, 2024

DSNet：一种在语义分割中使用空洞卷积的新方法

PDF
TL;DR在语义分割任务中，采用空洞卷积作为增加感受野的方法，本研究通过在模型浅层引入大核心空洞卷积以及预训练图像编码器等策略，提出了 DSNet，一种新的双分支卷积神经网络结构，它在 ADE20K、Cityscapes 和 BDD 数据集上以更高的准确率和速度获得了最新的表现。
atrous convolutionssemantic segmentationcnn architecturedsnetstate-of-the-art trade-off
发现论文，激发创造
  • DeepLab：通过深度卷积网络，空洞卷积和全连接 CRF 进行语义图像分割

    本文提出了一种利用 Deep Learning 完成语义图像分割的方法，通过引入 atrous convolution 以及 atrous spatial pyramid pooling 来解决对象掩模问题，并结合 max-pooling 和 downsampling 与全连接条件随机场（CRF）来提高对象边界的定位准确性，在 PASCAL VOC-2012 等数据集上全面超越了以往的成果。

    Jun, 2016

  • 重新思考空洞卷积在语义图像分割中的应用

    本文旨在设计 DeepLabv3 系统进行语义图像分割，并通过引入多尺度上下文与全局信息，使用多种空洞卷积组合实现对多尺度物体的分割，最终在 PASCAL VOC 2012 语义图像分割基准测试中取得了令人满意的表现。

    Jun, 2017

  • 分辨率感知的用于语义分割网络的空洞率设计

    为了获得最佳的可变倍数空洞率，本研究提出了基于输入图像尺寸的实用指南，并对深度神经网络 DeepLab 中的分割模块进行了内部行为分析，发现使用最佳的可变倍数空洞率能够持续提高分割结果。

    Jul, 2023

  • 平滑膨胀卷积以提高密集预测性能

    本篇研究针对膨胀卷积存在的网络粗颗粒化问题，提出了两种去网格化方法和 shared and separable operations 和 SS output layer 的概念，并且经过有效接受域分析和实验验证，发现这些方法和概念能够有效地提高膨胀卷积神经网络的性能。

    Aug, 2018

  • 城市街景的实时高性能语义图像分割

    本文提出了一种用于城市街景的语义分割的高性能深卷积神经网络方法，它实现了精度和速度之间的良好权衡，并展示了在实时速度下使用单个 NVIDIA TITAN X 卡片在具有挑战性的 Cityscapes 和 CamVid 测试数据集上分别实现了 73.6％和 68.0％的 mIoU 精度。

    Mar, 2020

  • 一种高效的语义分割解决方案：采用带孔可分离卷积的 ShuffleNet V2

    本文提出了一种在语义分割任务中具有高计算效率的方法，基于完全卷积神经网络，在同时实现高平均交并比的情况下，可以在移动设备上实时运行。

    Feb, 2019

  • 一种自适应采样方案，用于高效训练全卷积网络进行语义分割

    本文旨在解决在大型稀疏数据集上进行语义分割任务的挑战，提出了一种自适应采样方法和基于深度双通道卷积神经网络的算法，取得了 VISCERAL 解剖学基准测试的最新的最好结果。

    Sep, 2017

  • 采用空洞可分离卷积的编码器 - 解码器用于语义图像分割

    本文介绍了一种深度学习模型 DeepLabv3+，将网络的编码器和解码器模块相结合，采用空洞空间金字塔池化和深度可分离卷积技术，用于语义分割任务，实验表明该模型取得 89.0% 和 82.1% 的测试集性能，且附有 TensorFlow 参考实现。

    Feb, 2018

  • 用于实时语义分割的高效非对称卷积密集模块

    本文提出一种卷积神经网络结构，命名为 Efficient Dense modules with Asymmetric convolution (EDANet)，它采用不对称卷积结构和膨胀卷积和稠密连接并具有低计算成本和模型大小，比现有的快速分割网络 ICNet 快 2.7 倍，并且在没有任何附加上下文模块、后处理方案和预训练模型的情况下实现类似的 mIoU 得分。在 Cityscapes 和 CamVid 数据集上评估 EDANet，与其他最先进的系统进行比较。我们的网络可以在一台 GTX 1080Ti 上以 108 FPS 的速度运行。

    Sep, 2018

  • DCSAU-Net：一种用于医学图像分割的更深更紧凑的分离式注意力 U-Net

    本文提出了一种更深、更紧凑的深度学习结构 DCSAU-Net，利用了两个新颖的框架：主要特征保留和紧凑的注意力块，在医学影像分割中表现出更好的性能，特别是在具有挑战性的影像上表现出色。

    Feb, 2022