论文阅读: 1808.BiSeNet

最新推荐文章于 2023-12-29 17:37:34 发布
最新推荐文章于 2023-12-29 17:37:34 发布
阅读量170 收藏
点赞数
分类专栏： 论文算法 语义分割 文章标签： 深度学习 python
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/JNingWei/article/details/120124993
版权

1808.00897：BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation

创新点

  • 提出了 2-path 的 Bilateral Segmentation Network (BiSeNet)，context path来编码不同感受野和不同尺度的高级语义信息（即high-level feature），spatial path来编码丰富的细节空间信息（即low-level feature），融合后得到预测结果。

    • 在这里插入图片描述

  • 提出了两个特殊的模块Feature Fusion Module (FFM) 和 Attention Refinement Module (ARM)：

    • 在这里插入图片描述

性能

  • 在Cityscapes，Cityscapes，COCO-Stuff数据集实现了速度和精度的平衡。
  • 这种并行的结构很快，训练时指标很高，但是主观效果一般。
JNingWei
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【论文笔记】STDC Net 论文阅读笔记
AI爱好者的博客，分享计算机领域相关知识
04-02 2204
BiSeNetV1和BiSeNetV2都采用双分支结构（spatial path 和 context path），分别用来提取空间信息和上下文信息，多分支结构计算耗时较多，且使用图像分类任务的预训练模型并不一定适合语义分割任务。STDC对BiSeNet结构做出了改变，移除了spatial分支，同时采用Short-Term Dense Concate network（STDC network）结构并引入辅助头detail head来提取低级细节信息。STDC在citiscapes测试集上mIoU为71.9%，
【论文阅读--实时语义分割】STDC：Rethinking BiSeNet For Real-time Semantic Segmentation
magic_ll的博客
12-23 3823
Abstract 【BiSeNet的存在问题】 BiSeNet[28,27]已被证明是一种流行的用于实时分割的双流网络。其添加额外路径来编码空间信息的原理非常耗时，并且由于任务特定设计的不足，从预训练任务（例如图像分类）借用的主干对于图像分割可能效率低下。 【STDC网络的提出】 设计了一个短期密集连接模块（STDC模块），通过消除结构冗余而高效，用于提取具有可扩展感受野和多尺度信息的深层特征。该模块以可承受的计算成本 提升了STDC网络的性能。 具体地说，我们逐步降低特征映射的维数，并使用它们的聚合来表.
[论文阅读]BiSeNet V2: Bilateral Network with Guided Aggregation for Real-time Semantic Segmentation
Costwen的博客
08-23 2396
前言 光看名字,看到Guided Aggreagation感觉又是一个使用attention的(全局特征指导局部特征)？ Abstract 问题的提出: 现有的加速model的方法大部分都是牺牲低等级的特征细节,这会导致精度大大下降。 所以作者提出了分开处理空间细节和语义信息(也就是用两个网络) 所以建立的网络将包括下面的结构: 细节分支,将会有宽通道和浅层数去捕捉低等级的特征和生成高像素的特征表示 语义分支,将会有窄通道和深层数去获得高等级的语义,语义分支通过减少通道数和采用快速下采样的策略,所以
BiSetNetV2 语义分割论文解读
quency的博客
11-07 2891
BiSeNetV2 Bilateral Network with Guided Aggregation for Real-time Semantic Segmentation 摘要 低级细节和高级语义都是语义分割任务的关键。然而，为了加快模型推理，目前的方法几乎总是牺牲低级细节，这将导致了相当大的精度下降。我们建议分别处理这些空间细节和分类语义，以实现高精度和高效的实时语义分割。为此，我们提出了一种在速度和准确性之间具有良好权衡的高效体系结构，称为双边分割网络(BiSeNetV2)。该架构包括： (i)一个
论文主要要点记录《BiSeNet V2: Bilateral Network with Guided Aggregation for Real-time Semantic Segmentation》
Twinkle (＾－＾)V
08-13 1379
为了获取语义信息而丢失了底层细节信息，提出细节获取和语义信息分开获取。较浅的网络层获取细节信息，较深的网络层获取语义信息融合层融合特征表示提出助推器训练策略booster training基于空洞卷积的，并且摈弃下采样操作：具有较大的计算量和内存占用基于编码器解码器结构，采用自顶向下和横向连接，恢复高分辨率特征图，这些跳连接对于内存的访问成本较高2. 语义分支可以通过快速的下采样策略以及较少的通道变得轻量级，基于深度卷积，增强接收域捕获丰富的上下文信息。...
BiSeNet:基于pytorch的BiSeNet
04-23
BiSeNet 基于pytorch 0.4.1和python 3.6的BiSeNet 数据集 从或（6xw4）下载CamVid数据集。 预训练模型 在或（6y3e）中下载best_dice_loss_miou_0.655.pth并将其放在./checkpoints 演示版 python demo.py 结果 原来...
BiSeNet.zip
05-31
标题 "BiSeNet.zip" 提供的信息表明，这个压缩包包含了一个与BiSeNet相关的项目。BiSeNet（Bilateral Segmentation Network）是一种用于语义分割的深度学习模型，特别适用于实时场景，因为它在速度和精度之间取得了...
BiSeNet:添加bisenetv2。 我的 BiSeNet 实现
08-05
BiSeNetV1 和 BiSeNetV2 我对和。 cityscapes val 集上的 mIOUs 和 fps： 没有任何 SS 共享单车 无国界医生 mscf fps(fp16/fp32) ... ss表示单尺度评价， ssc表示单尺度作物评价， msf表示带翻转增强的多尺度评价...
使用BiSeNet做人脸面部解析.zip
04-06
包含了基于pytorch, opencv, onnxruntime三种库的程序实现，并且比较了在调用三种库的输入和输出的差异 OpenCV（Open Source Computer Vision Library）是一款开源的计算机视觉库，专门为图像和视频处理任务设计，...
BiSeNet做人脸面部解析基于pytorch opencv onnxruntime的python源码+模型+说明.zip
最新发布
05-02
标题中的“BiSeNet做人脸面部解析”是指利用深度学习模型BiSeNet（Bilateral Network and Spatial Attention Network的缩写）进行人脸识别与解析任务。BiSeNet是一种在图像语义分割领域广泛应用的网络架构，其设计...
BiSeNet v2原理与代码解读
00000cj的博客
07-29 1553
和v1相比，主要有以下两点改进整体结构如下图所示细节分支和语义分支的具体结构如下表所示细节分支负责提取空间细节信息，即low-level信息，因此该分支需要丰富的通道容量即通道数要大这样才能编码丰富的空间细节特征。同时因为该分支专注于low-level信息，因此需要是一个stride小的浅层结构。综合来看细节分支需要通道数大层数少。此外最好不要使用residualconnection，额外增加内存访问成本降低了速度。......
【论文笔记】BiSeNetV2论文阅读笔记
AI爱好者的博客，分享计算机领域相关知识
03-11 3733
论文：BiSeNet V2: Bilateral Network with Guided Aggregation for Real-time Semantic Segmentation 论文repo：https://github.com/CoinCheung/BiSeNet 一、摘要 类似BiSeNetV1的结构，BiSeNetV2有2个分支，分别为Detail Branch 和 Semantic Branch，Detail分支层数少但是通道数多，生成高分辨率的带有细节的特征图；Semantic 分支
学习记录——BiSeNet V2
Chaoy6565的博客
12-29 1022
在语义分割中，低级细节和高级语义都是必不可少的。然而，为了加快模型推理的速度，目前的方法几乎总是牺牲底层的细节，这导致精度大大降低。我们建议将这些空间细节和范畴语义分开处理，以实现高精度和高效率的实时语义分割。为此，我们提出了一种高效的架构，在速度和精度之间进行了良好的权衡，称为双边分割网络(BiSeNet V2)。该架构包括:(i)一个细节分支，具有宽通道和浅层，用于捕获低级细节并生成高分辨率特征表示;(ii)语义分支，通道窄，层次深，获取高级语义上下文。
BiSeNetV2-面部分割
程序猿的视界
07-14 935
一、论文 BiSeNet V2: Bilateral Network with Guided Aggregation for Real-time Semantic Segmentation https://arxiv.org/abs/2004.02147 BiSeNet V2将这些空间细节和分类语义分开处理，以实现高精度和高效率的实时语义分割。为此，提出了一个有效的架构，在速度和精度之间进行权衡，称为双边分割网络(BiSeNet V2)。该体系结构包括:(1)一个细节分支，具有宽通道和浅层，用
BiSeNet+BiSeNetv2论文笔记
qq_42882457的博客
03-22 4482
目录一、BiSeNet: Bilateral Segmentation Network for Real-time Semantic SegmentationAbstract1 Introduction2 Related Work3 双边分割网络3.1空间路径3.2 上下文路径3.3网络架构4 实验结果BiSeNet V2: Bilateral Network with Guided Aggregation for Real-time Semantic SegmentationAbstract2 Relat
【BiSeNet】《BiSeNet：Bilateral Segmentation Network for Real-time Semantic Segmentation》
bryant_meng
04-24 1025
ECCV-2018 文章目录1 Background and Motivation2 Related Work3 Advantages / Contributions4 Method5 Experiments5.1 Datasets5.2 Ablation study5.3 Speed and Accuracy Analysis6 Conclusion（own） / Future work 1 Background and Motivation 语义分割可以广泛的应用于 AR、自动驾驶、监控等场景..
论文阅读笔记——STDC-Seg
All In AI and Big Data
12-12 3376
作者参考了BiSeNet，并在其基础上对模型的架构进行了改进，达到了取得了更快的速度和更高的精度（没有提到显存占用，经测试，STDC2_50在转为trt后，显存占用大致在900M左右） BiSeNet的设计是一个双流网络，spatial path用于提取图像的细节信息，semantic path用于提取语义信息 作者认为额外的spatial path会消耗更多的时间，而且是从其他预训练任务（如图像分类）中“借”来的backbone，并不是针对于语义分割任务设计的。 作者设计了两种STDC模块，一种保持输入.
论文导读：实时语义分割网络BiSeNetV1和v2
hjxu2016的博客
01-05 4823
文章目录一、背景二、BiSeNetV1三、BiSeNetV2 v1论文地址：BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation v2论文地址：BiSeNet V2: Bilateral Network with Guided Aggregation for Real-time Semantic Segmentation 一、背景 低水平的细节特征(spatial information 空间信息)和高水平
图像语义分割论文（四）BiSeNet V2
DONG_LIN_2019的博客
02-19 2330
BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation BiSeNet V2: Bilateral Network with Guided Aggregation for Real-time Semantic Segmentation 总结：精度不错，实时性也好，但是在CPU上不理想（200ms） 技巧：多分支+高精度上采样+多头监督 目前实时语义分割主要包含三种思路，1、采用高效backbone；2、
BiSeNet：实时语义分割的新方法
"本次组会PPT探讨了BiSeNet模型，该模型由旷视科技的视觉团队在ECCV2018会议上提出，旨在实现实时语义分割。BiSeNet基于FCN（全卷积网络）并构建了编码器-解码器对称结构，以端到端的方式处理像素级别的图像分割任务...
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