论文阅读: 2104.STDC

最新推荐文章于 2024-07-04 11:45:51 发布
最新推荐文章于 2024-07-04 11:45:51 发布
阅读量279 收藏
点赞数
分类专栏： 语义分割 论文算法
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/120125156
版权

语义分割 BiSeNet STDC网络 实时处理 深度学习
关键词由CSDN通过智能技术生成

2104.13188：Rethinking BiSeNet For Real-time Semantic Segmentation

创新点

  • Short-Term Dense Concatenate（STDC）：
    • 在 BiSeNet（context path + spatial path）的基础上，对有效但极耗时的 spatial path 进行了 去冗余 。

      • 在这里插入图片描述

      • 逐步降低特征图的维度，并利用它们的聚合来表示图像，以此形成 STDC 网络的基本模块。

      • 在解码器中，通过将空间信息的学习以 single-stream 的方式整合到低层，提出一个 Detail Aggregation 模块。

      • 最后，低层特征和深层特征被融合以预测最终的分割结果。

      • 在这里插入图片描述

JNingWei
关注
专栏目录
深度学习论文: Rethinking BiSeNet For Real-time Semantic Segmentation及其PyTorch实现
mingo_敏
05-06 623
深度学习论文: Rethinking BiSeNet For Real-time Semantic Segmentation及其PyTorch实现 Rethinking BiSeNet For Real-time Semantic Segmentation PDF:https://arxiv.org/pdf/2104.13188.pdf PyTorch: https://github.com/shanglianlm0525/PyTorch-Networks
【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 4030
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.
[论文笔记] STDC
最新发布
cheng_xuzhu的博客
07-04 508
作者说双分支网络很受欢迎但是多加了一条分支太耗时,并且借用的是分类任务的backbone,没有专门为语义分割设计的.作者提出了STDC网络,逐渐减少特征图的维度.这里没啥好说的,写论文的时候可以仿写,改改可以用. 主要是说分类任务的backbone不能很好适应分割任务.最后两段说了连接多个连续的特征图,为了加快速度,将层的卷积核个数逐渐减少相较于添加另外一条分支,作者使用细节指导来指导低层学习空间特征(这个后面有介绍)
【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 2445
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%，
论文阅读笔记——STDC-Seg
All In AI and Big Data
12-12 3429
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.
语义分割网络-STDC_CVPR2021
chen1234520nnn的博客
01-28 4950
前言 该网络是基于语义分割网络BiSeNetV1版本进行的改进，删掉BiSeNet网络中的双路径方式。属于实时语义分割算法，速度快。 1.2STDC网络的性能 STDC(Short-Term Dense Concatenate network)在Cityscapes上，在1080Ti上 1）STDC1-50网络以250.4FPS的速度在测试集上实现了71.9％的mIoU。 2）STDC2-75网络在97.0FPS的情况下达到76.8％的mIoU。 跟其他算法的性能对比： ...
论文阅读: 1808.BiSeNet
JNing
09-06 188
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
论文阅读：《Rethinking BiSeNet For Real-time Semantic Segmentation》
yuansiming0920的博客
05-12 3019
论文链接：https://arxiv.org/pdf/2104.13188.pdf CVPR 2021 1 Background 2 Movtivtion
某论文的方法复现
ACM2017
12-21 565
原论文： 复现其中的： #include <bits/stdc++.h> using namespace std; int H=5,Z=3; double data[15][10000]; double a[15]; int tot[15]; void work(int sumH,int sumZ,int nowH,int nowZ,double nowLength) { cout<<"SUMH="<<sumH<<sumZ<<nowH&
2.4GHz全数字PLL：0.9mW超低功耗，1ps分辨率与高效STDC设计
该研究的重点在于实现一个具有极高分辨率的1ps随机时间到数字转换器（STDC），通过边缘互换电路（EIC）的独特技术来提升性能。 STDC的核心创新在于其EIC设计，它能够周期性地交换两个输入时钟的上升沿，这不仅实现...
轻量级语义分割模型论文阅读笔记（二）
Bobholamovic的博客
01-29 457
本文汇总一些阅读过的轻量级语义分割模型相关论文，并记录一些心得感想。
论文阅读之Feature Selection Based on Neighborhood Self-Information
xiaojia_177
10-12 402
Feature Selection Based on Neighborhood Self-Information   从论文题目出发，突出重点：Feature Selection(特征选择)、NSI(邻域自信息)。接下来先对这两个部分进行大致描述，再对整篇论文进行粗略阐述。若有错误、不足之处，欢迎各位及时指正！ Feature Selection   Feature Selection，特征选择，也可以认为是attribute reduction，属性约简。在机器学习研究中，特征的数量往往较多，其中不乏无关
【论文笔记】STDCNet
weixin_44400961的博客
04-24 4422
主要贡献： 1.设计了一个短期密集串联模块（STDC模块），用可伸缩的感受野和多尺度信息提取深层特征。本模块提升了STDC网络的性能 2.计算成本合理。我们提出了细节聚合模块来学习解码器，从而在低层中更精确地保存空间细节，而不会在推理时间中产生额外的计算成本。 相关工作：SqueezeNet[16]使用fire模块和某些策略来减少模型参数。 MobileNet V1[13]利用深度可分离卷积来减少推理阶段的失败。 ResNet[9][10]采用了剩余建筑层，以实现卓越的性能。 MobileN
论文阅读: RetinaNet
热门推荐
JNing
04-22 6万+
Introduction 此篇论文获得了ICCV最佳学生论文奖，指导人是FBAI的He Kainming大神： 众所周知，detector主要分为以下两大门派： - one stage系 two stage系 代表性算法 YOLOv1、SSD、YOLOv2、YOLOv3 R-CNN、SPPNet、Fast R-CNN、Faster R-CNN ...
论文阅读: DCN
JNing
06-10 7486
Introduction 传统的CNN中，convolution 和 pooling 的操作已被定死。只能在方正死板的区域内按部就班地映射操作： 这种设计显然对于现实场景中遇到ratio(比例)和rotation(旋转角度)多变的的非刚体object，是不够general的。那么怎么办呢？ 传统的回避途径有以下两个： 根据先验 加数据：根据先验信息，增加training datase...
论文阅读: Cascade R-CNN
JNing
06-08 5460
Introduction 传统的Faster R-CNN结构如下： 在train阶段，其最终的输出结果是通过如下一个简单的IoU阈值判断来决定哪些proposal作为output： 对IoU阈值设置的探索 由于早前VOC只以 mAP50mAP50mAP_{50} 作为唯一的性能衡量标准，为了overfit该数据集，算法的IoU阈值在train阶段和inference阶段常被简单...
论文阅读: YOLOv1
JNing
04-20 3413
Introduction YOLO是第一个实现one stage detection的里程碑级算法。所谓one stage，即通过一个阶段就简单粗暴地输出cls和detect的骚操作： 它并不需要像two stage那样，先在一个stage生成一堆的候选框，再在一个stage进行双任务（cls &amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp; detect）。 直接将整张图片分成 S×SS×SS\times S 的小格子区域...
论文阅读: SNIP
JNing
05-20 3336
Introduction Innovation Result Thinking [1] An Analysis of Scale Invariance in Object Detection - SNIP
论文阅读: DetNet
JNing
04-19 3022
Introduction Face++的Li Zeming大神注意到了现有Detection Network的两大通病： 借用原本为了class而设计的network，牵强地附加上其他辅助结构来实现Detection； 下采样能带来大感受野，从而提升class任务精度。但下采样又会损失空间信息，影响detection精度。二者难以协调 为此，Li Zeming大神专门设计了detecti...
Minix操作系统源代码分析：ansi.h文件
1. 如果`__STDC__`宏被定义并且其值等于1，这意味着编译器声明了完全符合ANSI C标准，此时`_ANSI`被定义为31459。这个数字是一个魔法常量，用意在于防止不必要地违反规则，而不是具有特定的数学或逻辑意义。 2. ...
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