ECCVJul, 2024

HPFF: 层次化局部监督学习与补丁特征融合

PDF
TL;DRHPFF 是一种新颖的模型，通过进行分层的局部监督学习和辅助网络的补丁级特征计算，实现了在不同粒度层次学习特征，并通过将输入特征分割为补丁进行计算，减少了图形处理器（GPU）内存使用，而且表现出强大的泛化能力和与现有技术的无缝集成。
deep learninglocally supervised learninghierarchical locally supervised learningpatch-level feature computationgpu memory usage
发现论文，激发创造
  • 在线交互式知识蒸馏的特征融合

    本研究提出了一种基于特征融合的学习框架，并通过在线知识蒸馏的方式，让不同子网络分类器之间相互教学，提高融合分类器和每个子网络的性能，多项数据集实验证明了该方法在预测准确性方面的有效性。

    Apr, 2019

  • 弱监督语义分割：渐进式补丁学习

    本文提出了一种新的渐进式补丁学习方法来提高弱监督语义分割中的局部细节提取，进一步将特征破坏和补丁学习扩展到多级粒度，同时与多阶段优化策略相结合来提供模型对不同程度的特征提取能力。此方法超越了大多数现有的弱监督语义分割方法，在 PASCAL VOC 2012 数据集上取得了出色的表现。

    Sep, 2022

  • 基于弱监督的 PatchNets：描述和聚合局部图像块进行场景识别

    本文提出了一种基于 PatchNet 模型与 VSAD 特征表达方法的图像场景识别混合表示方案，并在 MIT Indoor67 与 SUN397 两个基准数据集上取得了最新的最优性能结果。

    Sep, 2016

  • 弱监督目标分类和发现的深度补丁学习

    本文提出了一种基于弱监督的学习方法，通过将图像视为一个包中的实例将其融入到深度神经网络中，将弱监督的多实例学习约束与深度神经网络集成在一起，并采用端到端的方式优化网络以实现对象分类和发现任务。在 PASCAL VOC 数据集上的测试表明，该方法在对象分类方面可以获得最先进的性能，并且在对象发现方面也具有很强的竞争力，并且测试速度比竞争者更快。

    May, 2017

  • 稳健的紧凑二进制描述符特征融合进行补丁匹配

    本文提出了一种卷积网络框架，用于学习二进制补丁描述符，其中像素域特征与从变换域提取的特征融合。实验证明，我们的特征融合方法在准确性、速度和复杂性方面优于多种最先进的方法。

    Jan, 2019

  • PatchFusion：一种面向高分辨率单目度量深度估计的端到端基于瓦片的框架

    单幅图像深度估计是计算机视觉和生成建模中的基础任务。本文提出了一种名为 PatchFusion 的新颖的基于块状的框架，通过三个关键组件改善了目前最先进的技术，并在多个数据集上展示了其高分辨率深度图的能力。

    Dec, 2023

  • 基于门控全连接网络的语义分割方法 GFF

    本文提出一种名为 Gated Fully Fusion（GFF）的新架构，使用门控方式全连接地选择性地融合来自多个层级的特征，以改善深度卷积神经网络高层特征对小 / 细对象精细信息的损失，并在多个数据集上取得了业界最优的结果。

    Apr, 2019

  • 大规模移动边缘计算网络上的分层个性化联邦学习

    该研究提出了层次化的个性化联邦学习算法（HPFL），将用户设备（UEs）分层聚类，从而解决移动边缘计算（MEC）网络中的异构性问题，并在全局模型与边缘模型聚合之间寻求轮数损失最小化和轮延迟最小化之间的权衡。

    Mar, 2023

  • 快速深度多补丁分层网络用于非均质图像去雾

    我们提出了一种快速的深度多块分层网络，通过聚合来自迷雾图像不同空间段的多个图像块的特征，从而以更少的网络参数恢复非均匀雾图像。与当前的多尺度方法相比，我们的方法提供更快的运行时，并展示了在密集雾去除方面相对于其他最先进模型的优势。

    May, 2020

  • 基于层级图神经网络的深度多任务增强特征学习

    本文提出了一种基于图神经网络的层级特征增强方法（HGNN），适用于深度多任务学习，通过学习任务之间的共同信息并使用特征增强策略，实现了性能提升。

    Feb, 2020