Jun, 2024

可重参数化的双分辨率网络用于实时语义分割

PDF
TL;DR该研究提出了一种用于实时语义分割的重参数化双分辨率网络（RDRNet），通过训练时使用多路径块（multi-path blocks），并在推理时将其重参数化为单路径块（single-path blocks），从而同时提高准确性和推理速度；此外还提出了可重参数化金字塔汇聚模块（RPPM），以增强特征表达能力。实验结果表明，RDRNet 在 Cityscapes、CamVid 和 Pascal VOC 2012 数据集上的性能和速度均优于现有最先进模型。
semantic segmentationreal-timedual-resolution networkreparameterizationpyramid pooling module
发现论文，激发创造
  • 用于实时准确地对道路场景进行语义分割的深度双分辨率网络

    提出了一组高效的卷积神经网络骨干架构，通过双分辨率融合和深度上下文聚合金字塔池化模块，实现了在 Cityscapes 和 CamVid 数据集上的优于现有模型的精度和速度的实时语义分割。

    Jan, 2021

  • SRSNetwork：基于动态参数卷积的孪生重建 - 分割网络

    本文提出了一种用于弱目标图像分割（包括医学图像分割和红外图像分割）的高性能深度神经网络。为此，本文分析了现有的动态卷积，并提出了动态参数卷积（DPConv）。此外，本文从 DPConv 的角度重新评估了重建任务与分割任务之间的关系，提出了一种名为 Siamese Reconstruction-Segmentation Network（SRSNet）的双网络模型。所提出的模型不仅是一个通用网络，而且通过利用重建任务来提高分割性能，而无需改变其结构。此外，随着重建网络的训练数据量增加，分割网络的性能也得到同步提高。在包括五个医学数据集和两个红外图像数据集在内的七个数据集上，我们的 SRSNet 始终取得了最佳的分割结果。代码可在此 https URL 上获得。

    Dec, 2023

  • 实时语义分割中，对膨胀卷积的再思考

    本研究设计了一种双并行、使用不同扩张率的卷积层的 ResNeXt，以提高区域感知率和保留局部细节，进而实现语义分割，并在实时 Cityscapes 和 CamVid 数据集上取得迄今最优成果。

    Nov, 2021

  • 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

  • DWRSeg：一种用于实时语义分割的扩张 - 残差网络

    提出了一个名为 Dilation-wise Residual segmentation (DWRSeg) 的有效且高效的结构，含有不同的感受野尺寸，可用于实时语义分割任务，城市景观和 CamVid 数据集上实验证明了该方法的有效性和轻便性能。

    Dec, 2022

  • 实时语义分割的空间助理编码器 - 解码器网络

    自动驾驶汽车的语义分割是理解周围环境的关键技术。研究通过融合编码器 - 解码器和两通道架构，提出了空间助理编码器 - 解码器网络（SANet），并在设计中利用不同分辨率的特征提取和池化模块以优化特征提取和实现语义提取，最终在实时 CamVid 和 Cityscape 数据集上达到竞争性的结果。

    Sep, 2023

  • Dr2Net：动态可逆双重残差网络用于高效调优

    提出了一种称为 Dr²Net 的新型网络结构，通过减少内存消耗来对预训练模型进行微调，达到与传统微调相当的性能但显著减少了内存使用量。

    Jan, 2024

  • DRHDR：用于多层括号高动态范围成像的双分支残差网络

    本文介绍了 DRHDR，一种用于多支架 HDR 成像的双分支残差卷积神经网络，可以在保留高频细节的同时，通过使用变形卷积块对特征进行对齐，并通过空间注意力块来抑制跟踪失误的造成的鬼影区域，同时能够保持计算效率。

    Jun, 2022

  • 基于深度信息的实时 RGB-D 语义分割融合网络，并结合道路图像中预警障碍物检测

    本文提出了一种名为 RFNet 的实时融合语义分割网络，该网络可在自动驾驶汽车应用中快速运行，利用多个数据集进行训练，实现对意外小障碍的识别和面对现实世界中未预见到的危险，达到了显著的分割精度和 22Hz 推理速度。

    Feb, 2020

  • 为实时道路图像语义分割辩护：基于预训练 ImageNet 架构

    本文提出了一种基于 light-weight general purpose architecture、light-weight upsampling 以及融合多重分辨率的特征来扩大接受域的语义分割方法，在多个数据集上获得显着的优越性能和较高的 MIoU 和帧率。

    Mar, 2019