论文阅读《Rethinking Atrous Convolution for Semantic Image Segmentation》

最新推荐文章于 2023-07-06 16:00:26 发布
VIP文章 最新推荐文章于 2023-07-06 16:00:26 发布
阅读量2.4k 收藏 3
点赞数 1
分类专栏： Computer Vision 计算机视觉论文研读
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/yaoqi_isee/article/details/75029002
版权

Deeplab v3

1.Contribution:

这篇论文和deeplab v2相比，contribution不多，主要是在原来的ASPP模块里面加入了bn，同时引入加入了global context来提高ASPP模块的性能。

2.Related work

文章主要还是专注于图像多尺度信息的提取，作者总结了目前流行的4中多尺度信息提取的方法，如下图所示：
d1
第一种用图像金字塔作为输入；
第二种采用encoder-decoder的方式，去年的一篇FPN就是这种方式的典型代表；
第三种采用Atrous convolution的方式，利用不同的dilated rate可以提取不同scale的特征；
第四种采用SPP的方式，这个在目标检测领域比较常见，可以人为控制任意大小输入的feature map经过spatial pooling之后的特征大小

3.Methods

作者主要尝试了两种不同的网络结构：Cascade和Parallel

3.1.Going Deeper with Atrous Convolution

下图表示Cascade的结构，以resnet101为例，resnet101一共有4个block

最低0.47元/天 解锁文章
yj_isee
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Rethinking-Atrous-Convolution-for-Semantic-Image-Segmentation-1.zip
01-20
DeepLab 官方PPT，包含deeplabv1，v2，v3的变化，有助于理解该系列网络结构变化过程，不错的学习材料
ASPP（Atrous Spatial Pyramid Pooling）
qq_52302919的博客
01-04 3万+
受到SPP的启发，语义分割模型DeepLabv2中提出了ASPP模块，该模块使用具有不同采样率的多个并行空洞卷积层。为每个采样率提取的特征在单独的分支中进一步处理，并融合以生成最终结果。该模块通过不同的空洞rate构建不同感受野的卷积核，用来获取多尺度物体信息
Atrous Spatial Pyramid Pooling（ASPP）空洞空间卷积池化金字塔
轩辕霸天L
07-06 2149
Atrous Spatial Pyramid Pooling（ASPP）空洞空间卷积池化金字塔
【深度学习】【语义分割】ASPP
热门推荐
Hana
10-18 6万+
ASPP 空洞空间卷积池化金字塔(atrous spatial pyramid pooling (ASPP))对所给定的输入以不同采样率的空洞卷积并行采样，相当于以多个比例捕捉图像的上下文。 上图为deeplab v2的ASPP模块，deeplabv3中向ASPP中添加了BN层，其中空洞卷积的rate的意思是在普通卷积的基础上，相邻权重之间的间隔为rate-1, 普通卷积的rate默认为1，所以...
【DeepLab系列】 DeepLabV3中的ASPP(Atrous Spatial Pyramid Pooling)模块搭建
weixin_44994302的博客
07-14 6856
【DeepLab系列】 DeepLabV3中的ASPP模块搭建 1 前言 2 代码实现 2.1 ASPP模块流程图 说明：图片来自DeepLabV3 Rethinking Atrous Convolution for Semantic Image Segmentation 2.1 代码 说明：图片来自DeepLabV3+ Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation 说明：该代码针
SegNeXt: Rethinking Convolutional Attention Design for Semantic Segmentation 论文解读
qq_45041871的博客
11-09 990
我们提出了SegNeXt，一种用于语义分割的简单卷积网络架构。最近的基于transformer的模型由于在编码空间信息时self-attention的效率而主导了语义分割领域。在本文中，我们证明卷积注意力是比transformer中的self-attention更有效的编码上下文信息的方法。通过重新检查成功分割模型所拥有的特性，我们发现了导致分割模型性能改进的几个关键因素。这促使我们设计一种使用轻量的卷积运算的新型卷积注意力网络。
论文阅读Train Large, Then Compress: Rethinking Model Size for Effici
03-25
论文阅读时记录的内容和思考
cda_semantic_segmentation
02-14
@inproceedings{wu2019fastfcn, title = {FastFCN: Rethinking Dilated Convolution in the Backbone for Semantic Segmentation}, author = {Wu, Huikai and Zhang, Junge and Huang, Kaiqi and Liang, Kongming ...
PersonReID-TSF:AAAI 2020 论文代码 Rethinking Temporal Fusion for Video-based Person Re-identification on Semantic and Time Aspect
05-29
如果您发现此代码对您的研究有用，请考虑引用： @article{jiang2020rethinking, title={Rethinking Temporal Fusion for Video-based Person Re-identification on Semantic and Time Aspect}, author={Xinyang ...
03-25 周一 论文阅读 Train Large, Then Compress: Rethinking Model S
最新发布
03-25
在阅读论文03-25 周一 论文阅读 Train Large, Then Compress: Rethinking Model Size for Effcient Trainning and Inference of Transformers，的结构按照金字塔原理进行整理
Spatial Pyramid Pooling Net 介绍
09-22
本文档主要介绍了SPP-Net一文中的网络架构和主要思想。
Pytorch之经典神经网络语义分割(3.2) —— ASPP 空洞空间金字塔池化(atrous spatial pyramid pooling )
hxxjxw的博客
02-09 6999
空洞卷积(Dilated/Atrous Convolution)，广泛应用于语义分割与目标检测等任务中，语义分割中经典的deeplab系列与DUC对空洞卷积进行了深入的思考。目标检测中SSD与RFBNet，同样使用了空洞卷积。 空洞空间卷积池化金字塔(atrous spatial pyramid pooling (ASPP))对所给定的输入以不同采样率的空洞卷积并行采样，相当于以多个比例捕捉图像的上下文。 https://blog.csdn.net/qq_36530992/article/d...
SegNeXt: Rethinking Convolutional Attention Designfor Semantic Segmentation重新思考卷积注意力设计
donkey_1993的博客
09-27 1493
在当前深度学习语义分割中Transformer占据了主流的方向。作者发现卷积神经网络的注意力机制比Transformer更加高效，更加高效地编码上下文信息。通过对比之前提出的优秀的语义分割模型，作者发现了提升模型分割精度的几个关键因素（如下表所示）。通过以上的发现，作者提出的注意力卷积神经网络SegNext，在VOC数据集上mIOU可以达到0.906地精度，在COCO，ADE20K等数据集上都能够达到先进的分割水平。
deeplab系列记录
qq_39463274的博客
03-28 938
前言： 最近的工作用到了deeplabv3+网络，于是把deeplab系列的文章都看一遍． 空洞卷积(Atrous Convolution): 优点： １．在不增加参数或者计算量（扩大卷积核的大小/进行下采样）的前提下扩大模型的感受野．并且不降低影像的空间分辨率． 例如下图，分别使用了s=2 +standard conv和rate = 2的dilation conv有着相同的感受野，所使用的卷积核...
论文阅读：Rethinking Atrous Convolution for Semantic Image Segmentation（DeepLabV3）
漩涡小林的博客
02-27 796
文章目录1 摘要2 存在的问题2.1 解决多尺度问题常用的四个方法2.2 空洞卷积的缺点3 亮点3.1 output_stride的影响3.2 ASPP改进4 部分结果4.1 分割的数据对比4.2 分割的效果对比5 结论5.1 优势5.2 不足6 参考资料 1 摘要 目前语义分割过程存在两个问题：① 池化层导致图像分辨率的下降； ② 图像的多尺度问题。针对这两个问题，而在DeepLabV2中，作者...
检测分割算法改进(篇三) ASPP(Atrous spatial pyramid pooling)模块
认真努力，做一只会飞的毛毛虫。
02-08 2万+
ASPP是一个模块，可以被我们放在任何地方，比如下图： 来源：ASPP(Atrous spatial pyramid pooling)最早来自DeeplLab v2网络，后在DeepLab v3网络中得到改进加强，本文以DeepLab v3中的ASPP结构进行分析和源码实现。 模块目的：在不改变shape即不降采样的前提下增大网络的感受野，增强网络获得多尺度上下文的能力。 模块结构： 一共并联四个分支，第一个分支为1×1的普通卷积层。 第二和第三个分支采用一个3×3的膨胀卷积，不同
SegNeXt: Rethinking Convolutional Attention Design for Semantic Segmentation（NeurIPS 22）
dear_queen的博客
09-30 1911
我们介绍了SegNeXt，这是一种用于语义分割的简单卷积网络体系结构。由于在编码空间信息时自我注意的效率，最近基于Transformer的模型已主导语义分割领域。在本文中，我们证明了卷积注意比Transformer中的自注意机制更有效地编码上下文信息。本文对已有成功分割方案进行了重审视并发现了几个有助于性能提升的关键成分，进而促使我们设计了一种新型的卷积注意力架构方案SegNeXt。
长语句语音合成--Dynamic Convolution Attention (DCA)
zephyr_wang的博客
11-21 501
1 简介 本文根据2020年《LOCATION-RELATIVE ATTENTION MECHANISMS FOR ROBUST LONG-FORM SPEECH SYNTHESIS》翻译总结的。 基于注意力的端到端的text-to-speech (TTS) 系统尽管有能力在域内产生人类水平的语音合成，但在域外文本处理上容易出现文本对齐失败的情况。这些失败很可能是因为采用了简单的location-relative 注意力机制，其废除了基于内容的query/key比较。我们比较了两种注意力机制：locatio
Dense Atrous Spatial Pyramid Pooling（DASPP）
菜根檀的博客
11-24 3804
Dense Atrous Spatial Pyramid Pooling-密集空洞空间金字塔池化1 Atrous convolution and pyramid pooling2 Denser feature pyramid and larger receptive field2.1 Denser feature pyramidDenser scale sampling:Denser pixel sampling:2.2 Larger receptive field 密集空洞金字塔池化时基于空洞卷积和空洞空
Rethinking Video ViTs: Sparse Video Tubes for Joint Image and Video Learning
06-04
《Rethinking Video ViTs: Sparse Video Tubes for Joint Image and Video Learning》是一篇关于视频处理的论文。该论文提出了一种新的视频处理模型，即 Sparse Video Tubes（SVT），旨在实现图像和视频的联合学习。...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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