旷视最新-Large Kernel Matters —— Improve Semantic Segmentation by Global Convolutional Network

最新推荐文章于 2023-07-16 10:31:49 发布
最新推荐文章于 2023-07-16 10:31:49 发布
阅读量1w 收藏 12
点赞数 4
文章标签： 分割 旷视科技 孙剑
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/bea_tree/article/details/60977512
版权

一句话总结

如文章名字所言，本文主要强调大的kernel的重要性,pascal上82.2%。文章的试验和分析还是挺细致的。

故事背景

文章认为，classification和localization之间是有冲突的，我们平时所用的卷积分割网络，在提高分割效果的同时，削弱了分类的能力。文中认为通过设置大的感受野可以获得featuremap与pixel score之间的densely connections。

1 Global Convolutional Network

文章所谓的Global Convolutional Network 是增大kernel size获得更大的感受野，而增加感受野的方式如下：
这里写图片描述
使用了 K x 1和1 x K的卷积核，计算量小，参数少
另外作者在使用GCN提高分类能力的同时，增加了一个Boundery Refinement的 模块来增加边缘信息。

最低0.47元/天 解锁文章
bea_tree
关注
专栏目录
论文阅读：Large Kernel Matters —— Improve Semantic Segmentation by Global Convolutional Network（GCN）
漩涡小林的博客
03-10 1240
文章目录1 摘要2 存在问题3 亮点3.1 GCN模块3.2 边界提取模块（BR模块）3.3 总的网络框图3.4 ResNet50-GCN预训练模型4 部分结果4.1 部分数据对比4.2 部分效果对比5 结论5.1 优势5.2 不足6 参考资料 1 摘要 文章指出，最近流行的一个趋势就是使用小的过滤器进行堆叠（如：1x1，3x3等），这样能够在同样的计算量情况下比大的过滤器更有效率。然而，作者发现...
Large Kernel Matters—— Improve Semantic Segmentation by Global Convolutional Network------论文理解
ruoruojiaojiao的博客
06-05 411
参考博客：https://blog.csdn.net/zhangjunhit/article/details/74530596 1. 概述 目前网络架构设计的趋势均是在相同计算量的前提下将大的卷积核替换为多个小的卷积核（如1x1和3x3）堆叠而成 。但在语义分割中需要同时进行分类和定位的时候大的卷积核占很重要的角色。为解决分类和定位问题，我们提出了GCN网络。同时提出了基于残差的边界修正，来更...
Large Kernel Matters—— Improve Semantic Segmentation by Global Convolutional Network
PartyPartyAnimal的博客
11-21 610
The large kernel (and effective receptive field) plays an important role when we have to perform the classification and localization tasks simultaneously.（当我们必须同时执行分类和定位任务时，大内核（和有效的感知野）起着重要作用） we prop...
PaperReading4-Large Kernel Matters—— Improve Semantic Segmentation by Global Convolutional Network
u010142666的博客
07-15 492
今天我给大家介绍的是一篇face++的关于改进卷积的分割网络。由于时间关系大概讲下论文思路。首先，论文分析了 Semantic Segmentation这个任务：1基础知识：（1）大卷积效果比小卷积好，因为大卷积可以接收的感受野大，对于物体语义可以进行更好的判断（classification），但是大卷积损失了细节信息多点，而且参数也多；（2）堆积小卷积可以达到大卷积的效果，实现大的感受野，而且参...
语义分割之Large Kernel Matters —— Improve Semantic Segmentation by Global Convolutional Network
画心
05-15 1015
Large Kernel Matters —— Improve Semantic Segmentation by Global Convolutional Network 文章目录Large Kernel Matters —— Improve Semantic Segmentation by Global Convolutional Network主要工作实验细节验证Large Kernel Co...
Large Kernel Matters —— Improve Semantic Segmentation by Global Convolutional Network论文阅读
u010067397的专栏
12-20 628
语义分割可以看做一个像素点分类问题。这个任务有两个挑战： 1、分类 2、定位 好的设计模型同时处理这两个问题。 我们解决这两个问题
Large Kernel Matters论文解读
zym19941119的博客
07-20 2260
Introduction 这篇文章来自于17年的ICCV会议，作者来自清华与旷视，这篇文章提出大的卷积核对分割网络非常重要，并使用论文中提出的GCN（Global Convolution Network）显著提高了分割的精度。这篇文章还有一个后续，叫做ExFuse，但ExFuse这篇文章更多的是各种小trick的叠加，质量一般。 ExFuse的论文全称为ExFuse: Enhancing Fe...
语义分割 - Semantic Segmentation Papers
热门推荐
长风破浪会有时，直挂云帆济沧海
05-23 3万+
Semantic Segmentation Learning a Discriminative Feature Network for Semantic Segmentation - CVPR2018 - Face++ [Paper] Vortex Pooling: Improving Context Representation in Semantic Segmentation - 2018...
语义分割--Large Kernel Matters--Improve Semantic Segmentation by Global Convolutional Network
AI小作坊 的博客
07-06 7587
Large Kernel Matters–Improve Semantic Segmentation by Global Convolutional Network https://arxiv.org/abs/1703.02719语义分割问题需要同时解决两个问题：classification 和 localization， 将图像中的每个物体精确分割出来，同时对每个物体进行分类。分类和定位这两个
语义分割论文翻译：Large Kernel Matters —— Improve Semantic Segmentation by Global Convolutional Network
weixin_43673376的博客
08-11 444
1、Large Kernel Matters —— Improve Semantic Segmentation by Global Convolutional Network 摘要：小的卷积核堆叠比用一个大的卷积核计算更加高效。在语义分割领域，需要执行每个像素的预测分类，更大的卷积核（感受野更大），对于分类和定位任务来说，作用更大。所以提出GCN来解决语义分割的分类和定位的问题。文中还提出一个基于残差的边界细化模块。 但从摘要可以看出主要有方面工作：用了更大感受野的信息，还有就是后处理（边界refine）。
Large Kernel Matters ——Improve Semantic Segmentation by Global Convolutional Network论文笔记
sunyao_123的博客
08-24 629
作者发现大核对分割于有重要作用。所以提出Global Convolutional Network。和使用residual-based boundary refinement处理边界。 Global Convolutional Network 分割包含两部分内容，定位，分类。论文称，这两块互相矛盾。1）对于分类任务，模型应该对变换不敏感（比如，移动，旋转，缩放）；2）对于定位任务，模型应该对变换...
Large Kernel Matters Improve Semantic Segmentation by Global Convolutional Network
卓为的博客
01-30 451
1
第十三章：Large Kernel Matters——大核心很重要，通过全局卷积网络改进语义分割
最新发布
ADICDFHL的博客
07-16 424
根据我们对分类和分割的分析，我们发现大尺寸的卷积核对于缓解分类和定位之间的矛盾非常重要。遵循大尺寸卷积核的原则，我们提出了全局卷积网络。消融实验表明，我们提出的结构在有效感受野和参数数量之间取得了良好的平衡，并取得了良好的性能。为了进一步精细化物体边界，我们提出了一种新颖的边界细化模块。从定性上看，我们的全局卷积网络主要改善了内部区域，而边界细化则提高了边界附近的性能。我们的最佳模型在两个公共基准测试中取得了最先进的结果：PASCAL VOC 2012（82.2%）和Cityscapes（76.9%）。
【图像语义分割】Large Kernel Maters--Improved Semantic Segmentation by Global ConvNet
Shwan_ma的博客
09-23 814
摘要：目前流行的网络架构往往通过堆积小的卷积核（stack small filters），因为在相同计算量下，stack small filters往往比large kernel更加有效。然而在图像语义分割这块，我们需要做一个dense per-pixle prediction， 我们发现大内核在同时实现localization和classification的时候能够起到重要的作用。在这个设计原则下
Semantic Segmentation --Improve Semantic Segmentation by Global Convolutional Network（GCN）论文解读
DFan的NoteBook
12-25 8149
Large Kernel Matters —— GCN论文全称：Large Kernel Matters——Improve Semantic Segmentation by Global Convolutional Network作者栏里面有熟悉的Face++的Jian Sun~原文地址：Large Kernel Matters —— GCN实现代码: PyTorch Abstract在现有的模型架
GCN如何使用大卷积替代小卷积？（论文讲解含超详细注解+中英文对照+配图）
ZRX_GIS
10-28 2215
Large Kernel Matters ——Improve Semantic Segmentation by Global Convolutional Network 大卷积项——通过全局卷积网络提升语义分割 Abstract 摘要 One of recent trends [31, 32, 14] in network architecture design is stacking small filters (e.g., 1x1 or 3x3) in the entire network b.
until中物体旋转45度代码_AAAI 2021 | 上海交大等提出R3Det：旋转目标检测网络，代码已开源！...
weixin_39932762的博客
12-11 516
R3Det 在HRSC2016、DOTA等数据集上无论是准确率还是速率都远超其他方法。本文转载自：AI科技评论作者 | Bbuf 责编 | 贾伟旋转目标检测是一项有挑战性的任务，因为难以定位多角度物体并且与背景准确和快速的分离。虽然已经取得了长足的进步，但在实际设置中，对于大宽高比，密集分布和类别不平衡的旋转目标检测仍然存在困难。在这篇论文中，提出了一种快速，准确且端到端的的旋转目标检测器。考虑...
DL语义分割总结
gufeng_1992的博客
07-07 1万+
目前看过的论文有FCN，U-net，还有几个经典网络没有看，看论文速度有待提高，赶紧还债，下面是我对几个语义分割网络的简单理解，后期会补充。另，建议关注一个类似知乎的国外精英网站：Qure） 参考来源 ：A 2017 Guide to Semantic Segmentation with Deep Learning 在FCN网络在2104年提出后，越来越多的关于图像分割的深度学习网络被提
School-Based Curriculum Development: Is It Coming Back into Fashion? [J]. Curriculum Matters
04-01
, 2019, retrieved from https://blogs.edweek.org/edweek/curriculum/2019/08/school-based_curriculum_development.html The article discusses the trend of school-based curriculum development, where teachers and administrators work together to create a curriculum that is tailored to the needs of their students and community. This approach allows for greater flexibility and responsiveness to changing student needs and local context, and can lead to more engaged and effective teaching and learning. The article cites several examples of successful school-based curriculum development, including the work of the Center for Collaborative Education in Boston and the Expeditionary Learning network of schools. However, the author notes that this approach requires significant time and resources, as well as a strong commitment from school leaders and teachers. The article also raises some potential challenges and criticisms of school-based curriculum development, such as concerns about teacher expertise and the potential for narrow or biased perspectives to influence the curriculum. The author emphasizes the importance of ongoing reflection and evaluation to ensure that school-based curriculum development remains effective and equitable. Overall, the article suggests that school-based curriculum development may be making a comeback as educators seek more responsive and student-centered approaches to teaching and learning.
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值