语义分割之Gated Feedback Refinement Network for Dense Image Labeling

最新推荐文章于 2023-02-14 21:46:10 发布
最新推荐文章于 2023-02-14 21:46:10 发布
阅读量1.2k 收藏 3
点赞数 1
分类专栏： # 语义分割 深度学习 文章标签： 深度学习 语义分割
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/P_LarT/article/details/95238853
版权

Gated Feedback Refinement Network for Dense Image Labeling

文章目录


image.png

原始文章：https://www.yuque.com/lart/papers/gfrnet

主要工作

本文是17年的CVPR的论文，主要解决了之前基于深度学习的语义分割模型中存在的一些问题，主要针对的问题是如何更有效的整合和利用低级特征与高级、局部和全局特征。

有效整合局部和全局信息对于密集标签问题至关重要。大多数基于编解码器架构的现有方法简单地连接来自较早层的特征，以在细化阶段中获得更高频率的细节。但是前向传播中的模糊信息，则可能导致最终的细化结果的质量存在限制。

  • 本文提出了一种门控反馈细化网络（G-FRNet），这是一种用于密集标记任务的端到端深度学习框架，可解决现有方法的这种局限性。
  • 首先G-FRNet进行粗略预测，然后在细化阶段有效地整合局部和全局上下文信息来逐步细化细节。
  • 本文引入了控制向前传递信息的门单元，以借助深层特征来辅助浅层特征滤除其中的信息的模糊与歧义。使用更深，更有辨别力的层的特征来过滤从辨别能力较差但定位更精细的早期层传递的信息。
  • 文章认为深层特征可以帮助浅层信息恢复特征中的模糊性内容，而单独的浅层信息并不能很好的恢复，因为其感受野不是很大或者并不具有足够的区分性。

在几个具有挑战性的数据集上的实验结果表明，所提出的模型比现有最先进的方法具有更好性能。 基于消融分析的实验结果揭示了粗到细门控细化值的普遍性。广泛的CNN模型可以从这些简单的体系结构修改中受益。

网络结构

image.png

Gate Unit

image.png

image.png

这里门控的设计使用深层的特征来控制浅层的特征，得到处理后的特征送入解码器。

Gated Refinement Unit

image.png

image.png

就是普通的卷积处理，不过这里有个设定，就是图中 + 操作表示的是拼接， U 表示上采样。这里拼接的时候，两部分的特征image.png，这里C是总的类别数量。这里给出了两个理由：

image.png

  • 降低计算量
  • 避免通道数少的特征被通道数多的特征所淹没

Stage-wise Supervision

这里使用了深监督策略，损失如下：

image.png

其中的η表示原始真值，这里的R表示放缩到对应的特征图大小后的真值。这里使用交叉熵，最终损失直接加和，权重都为1。

实验结果

image.png

image.png

image.png

image.png

image.png

image.png

相关链接

相关文章——LRN

这应该是本文的初期工作，本文在此基础上添加了门控机制，这篇LRN的文章的结果在本文GFRNet中也有展现：https://arxiv.org/pdf/1703.00551.pdf

image.png

image.png

image.png

image.png

有为少年
关注
专栏目录
【G-FRNet】Gated Feedback Refinement Network for Dense Image Labeling
OneCoder的博客
01-17 1719
CVPR 2017,他们还有一篇CVPR 2018的文章，Gated Feedback Refinement Network for Coarse文章目录概述细节ResultsConclusions 概述 要解决的问题 模糊信息的前向传递会限制后面的精准识别。 采用的方法 结果如何 Contributions 细节 Results Conclusions ...
CVPR2018下载+CVPR2018论文百度云+2018CVPR论文下载+2018CVPR百度云
王博（Kings）的博客
06-25 4957
链接：https://pan.baidu.com/s/1QUXtDp5RQVNx-R55TkL13Q 提取码：
图像基本知识及常用网络
weixin_44845357的博客
09-25 729
以下是我自己总结的，还有不足的地方。正在不断修改和完善。 推荐一个总结得更好的链接： 概览主要语义分割网络，FCN、UNet、SegNet、DeepLab 等 概览主要语义分割网络 图像基本组成 像素 pixel 灰度值 intensity (一个pixel的最基本特征) 一张image可以看做一个矩阵，矩阵的每一个元素就是一个像素，每个元素上的值就是灰度值 图像处理中常见的任务 1. 图像分类 给定一张输入图像，图像分类的任务是判断该图像属于哪类，如果是多任务分类，可以用于分类该图像包含哪个类别。所以
G-GhostNet（IJCV 2022）原理与代码解析
最新发布
00000cj的博客
02-14 1927
本文提出了两种轻量网路，用于CPU端的C-GhostNet和用于GPU端的G-GhostNet。前者就是20年的原版GhostNet，这里只是换了个名字，具体可见GhostNet（CVPR 2020） 原理与代码解析，这里不再详细介绍。本文主要介绍新提出的基于GPU端的G-GhostNet。
最新论文阅读（3）
wydbyxr的博客
06-06 776
Gated Feedback Refinement Network for Dense Image Labeling - 2017CVPR - G-FRNet - 曼尼托巴大学【美】 　　GFRNet进行粗略预测，然后在细化阶段高效地整合局部和全球上下文信息，逐步细化细节。我们引入了控制前进信息的门单元，以过滤掉歧义。 　　 AutoEncoder By Forest - ...
G Frnet 笔记
测试
03-25 101
2019 March 25 G Frnet 笔记
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
热门推荐
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
（十一：2020.08.28）CVPR 2017 追踪之论文纲要（译）
Jojo论文基地
08-28 3301
CVPR 2017 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录
（二十：2020.11.06）MICCAI 2020 追踪之论文纲要（译）＜下＞
Jojo论文基地
11-06 4129
讲在前面 此文章包含第五、第六和第七部分。 论文目录 PART V 《Biological, Optical and Microscopic Image Analysis 生物，光学和显微图像分析》 生物，光学，显微成像 概要 1.Channel Embedding for Informative Protein Identification from Highly Multiplexed Images通道嵌入用于从高度复用的图像中鉴定信息性蛋白质 2.Demixing Calcium
语义分割深度学习方法集锦
生如蚁，美如神
01-19 1万+
转载：https://github.com/handong1587/handong1587.github.io/edit/master/_posts/deep_learning/2015-10-09-segmentation.mdPapersDeep Joint Task Learning for Generic Object Extraction intro: NIPS 2014 homepage
论文笔记：Label Refinement Network for Coarse-to-Fine Semantic Segmentation
xiaoxiang_AQ 的博客
03-12 5045
本文设计了一个Coarse-to-Fine的深度学习网络Label Refinement Network，来进行语义分割任务。主要将低分辨率下的分割标签和卷积后的特征进行结合，获得一个更加精确的分割结果。在网络的多个阶段定义loss函数，这种做法起到了多阶段同时监督的效果。 论文传送：Label Refinement Network for Coarse-to-Fine Semantic Seg
最新论文阅读（10）
wydbyxr的博客
06-07 385
Detecting Faces Using Region-based Fully Convolutional Networks - 2017年9月 - Face R-FCN；人脸检测 - 腾讯AI Lab 　　Face R-FCN主要是基于R-FCN（基于区域的全卷积网络）框架来解决人脸检测问题。在R-FCN框架的基础上，他们采用ResNet（残差网络）作为基础网络，结合了多尺度训练和测试、...
语义分割--RefineNet: Multi-Path Refinement Networks for High-Resolution Semantic Segmentation
AI小作坊 的博客
06-02 5425
RefineNet: Multi-Path Refinement Networks for High-Resolution Semantic Segmentation CVPR2017 https://github.com/guosheng/refinenet本文还是使用 cascaded 思想来做语义分割！但是引入了 residual connections with identity ma
总结-空洞卷积(Dilated/Atrous Convolution)、gridding问题以及解决方案、训练技巧BN和PReLU、CReLU
m0_37644085的博客
04-23 1万+
这里有个可视化、直观的图：https://github.com/vdumoulin/conv_arithmetic https://zhuanlan.zhihu.com/p/50369448 https://www.zhihu.com/question/54149221/answer/192025860 https://www.zhihu.com/question/54149221/answ...
语义分割--Label Refinement Network for Coarse-to-Fine Semantic Segmentation
AI小作坊 的博客
06-06 1817
Label Refinement Network for Coarse-to-Fine Semantic Segmentationhttps://www.arxiv.org/abs/1703.00551v1还是级联语义分割的思路，本文提出的算法是 label refinement network (LRN)首先来看看本文提出的算法流程图： 注意这里的训练加入了 多尺度 ground trut
开学综合症有救了！17篇最新AI论文不容错过（附链接）
数据派THU
03-04 586
来源：PaperWeekly本文多干货，建议收藏。本文为大家准备了最新AI领域的论文。@jingyihiter 推荐#Text Generation本文来自国防科大和微软...
语义分割标注
qq_32425195的博客
10-15 4978
1，先用pixleAnnotationTool标注 去https://github.com/abreheret/PixelAnnotationTool/releases下载该工具 解压后打开： PixelAnnotationTool.exe 将下面的保存为1.json。这是我们的配置文件，定义了每个类别的label名称，显示颜色，id等。 { "labels": { ...
评论 2
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