UNET改进67：添加自研创新模块StripCGLU

于 2025-04-19 17:22:17 发布
阅读量200 收藏
点赞数 3
分类专栏： Unet和Unet++改进专栏 文章标签： 深度学习 神经网络 机器学习 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/m0_51530640/article/details/147353098
版权

本文内容：在不同位置添加StripCGLU

目录

论文简介

1.步骤一

2.步骤二

3.步骤三

4.步骤四

论文简介

尽管遥感目标检测发展迅速，但检测高纵横比目标仍具挑战性。本文表明，大条带卷积是遥感目标检测的良好特征表示学习器，能够很好地检测各种纵横比的目标。基于大条带卷积，我们构建了一个名为 Strip R-CNN 的新网络架构，该架构简单、高效且强大。与近期利用方形大核卷积的遥感目标检测器不同，我们的 Strip R-CNN 利用骨干网络 StripNet 中的顺序正交大条带卷积来捕获空间信息。此外，我们通过解耦检测头并在我们的条带头中为定位分支配备条带卷积来提高遥感目标检测器的定位能力。在多个基准数据集（例如 DOTA、FAIR1M、HRSC2016 和 DIOR）上的大量实验表明，我们的 Strip R-CNN 能够显著改进先前的工作。特别是，我们的 30M 模型在 DOTA-v1.0 上实现了 82.75% 的 mAP，创下了新的最

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Pointnet++改进76：添加Strip模块 | 顺序正交大条带卷积来捕获空间信息
AIcurator的博客
03-29 67
尽管遥感目标检测发展迅速，但检测高纵横比目标仍具挑战性。本文表明，大条带卷积是遥感目标检测的良好特征表示学习器，能够很好地检测各种纵横比的目标。基于大条带卷积，我们构建了一个名为 Strip R-CNN 的新网络架构，该架构简单、高效且强大。与近期利用方形大核卷积的遥感目标检测器不同，我们的 Strip R-CNN 利用骨干网络 StripNet 中的顺序正交大条带卷积来捕获空间信息。此外，我们通过解耦检测头并在我们的条带头中为定位分支配备条带卷积来提高遥感目标检测器的定位能力。
PointNet++改进策略 ：模块改进 | PAConv，位置自适应卷积提升精度
u012901740的博客
09-04 1815
PAConv，全称为位置自适应卷积（Position Adaptive Convolution），是一种用于处理3D点云数据的通用卷积操作。不同于传统的2D卷积，PAConv通过根据点在三维空间中的位置动态组合卷积核。它的实现依赖于一个称为权重库（Weight Bank）的结构，该结构存储了基本的权重矩阵。这些矩阵通过一个称为ScoreNet的网络动态组合，ScoreNet根据点的位置关系学习如何自适应地组装这些卷积核。动态卷积核组装。
Pointnet++的改进
qq_27353621的博客
07-04 2847
Pointnet++改进
PointNet++改进1：双域混合结构用于多尺度感受
m0_63654706的博客
04-09 255
##论文地址：https://zhuanlan.zhihu.com/p/720777160resl = xif i == 0:else:if i!
PointNet++改进策略 ：模块改进 | x-Conv | PointCNN， 结合局部结构与全局排列提升模型性能
u012901740的博客
09-10 1929
这篇论文介绍了一种名为PointCNN的方法，旨在从点云（point cloud）数据中学习特征。传统卷积神经网络（CNN）在处理规则网格数据（如图像）时非常有效，但由于点云是无序且不规则的，直接在其上应用卷积操作会导致形状信息丢失，并对点的排列顺序敏感。为了解决这一问题，论文提出了一种X-Conv操作。该方法通过学习一种来重新排列点云中的点并加权输入特征。然后，将典型的卷积操作应用于转换后的特征。这种方法将传统的 CNN 扩展到点云特征学习，并命名为PointCNN。
基于Unet改进系列：加入attenUnet模块对脊椎二值图像语义分割的实验对比
10-28
基于Unet改进系列：加入attenUnet模块对脊椎二值图像语义分割的实验对比 数据集采用脊椎二值图像，数据在data目录下，划分了训练集和验证集。 网络介绍：代码分为两个网络，unet和attention_Unet，如果想要做对比...
基于Unet改进系列：加入attenUnet模块对【小型ADE场景】图像语义分割的项目
最新发布
04-23
基于Unet改进系列：加入attenUnet模块对【小型ADE场景】图像语义分割的项目，项目没有训练，可以自行训练 数据集采用ADE场景图像分割，数据在data目录下，划分了训练集和验证集。 网络介绍：代码分为两个网络，...
基于Unet改进系列：加入attenUnet模块对Synapse多器官图像语义分割的实验对比
10-28
基于Unet改进系列：加入attenUnet模块对Synapse多器官图像语义分割的实验对比 数据集采用Synapse多器官（主动脉、胆囊、脾、左肾、右肾等）语义图像，数据在data目录下，划分了训练集和验证集。 网络介绍：代码...
Unet改进41：添加gConvBlock(2024最新改进方法)|
AIcurator的博客
09-20 817
图像去雾是低层次视觉中的一个活跃话题，随着深度学习的快速发展，许多图像去雾网络被提出。尽管这些网络的管道运行良好，但改善图像去雾性能的关键机制仍不清楚。因此，我们不打算提出具有花哨模块的除雾网络;相反，我们对流行的U-Net进行最小的修改，以获得紧凑的除雾网络。具体来说，我们使用门控机制将U-Net中的卷积块交换为残差块，使用选择性核融合主要路径的特征映射并跳过连接，并将得到的U-Net变体称为gUNet。因此，在显著降低开销的情况下，gUNet在多个图像去雾数据集上优于最先进的方法。
Unet 改进添加双交叉注意力模块（DCA）
02-04
双交叉注意力模块是一种能够同时关注特征图内特征和跨不同特征图的特征的机制。这样的设计使得网络能够更加细致地学习图像中的重要区域，无论是在局部细节处理还是在全局信息整合方面都具有优势。 具体来说，双交叉...
Pointnet++改进：在特征提取模块加入SegNext_Attention注意力机制，卷积注意力打造高性能点云分割模型
AIcurator的博客
01-04 1912
我们提出了SegNeXt，一个用于语义分割的简单卷积网络架构。近年来，基于变换的语义分割模型由于其在空间信息编码中的自注意性而在语义分割领域占据主导地位。在本文中，我们证明了卷积注意是一种比自注意机制更有效的编码上下文信息的方法。通过重新研究成功的分割模型所具有的特征，我们发现了导致分割模型性能提高的几个关键因素。这促使我们设计一种新颖的卷积注意力网络，使用廉价的卷积运算。
【论文阅读】【点云处理】pointnet++的改进
麒麒哈尔的博客
02-07 6881
文章目录PATs & GSA PATs & GSA 论文：Modeling Point Clouds with Self-Attention and Gumbel Subset Sampling 2019CVPR，上海交大MoE实验室和华为诺亚方舟实验室 本文主要改进了PointNet++中的FPS的部分，使得选取的点更能处理外点，将down sampling的点选取在attent...
PointNet++改进策略 ：模块改进 | Residual MLP | PointMLP，简化原本复杂的局部几何特征提取器，减少计算同时提高效率
u012901740的博客
09-17 1563
这篇论文题为《Rethinking Network Design and Local Geometry in Point Cloud: A Simple Residual MLP Framework》，发表于ICLR 2022。论文的主要内容是提出了一种名为PointMLP的新方法，用于处理点云数据，旨在通过简单的残差多层感知器（Residual MLP）网络替代复杂的几何特征提取器。背景与挑战：点云分析由于数据的不规则性和无序性，一直是计算机视觉中的难题。
PointNet++改进策略 ：模块改进 | 双边增强模块 | 自适应融合模块 | ，将多分辨率特征在点级别自适应地融合，确保模型能够充分利用不同分辨率下的特征信息
u012901740的博客
09-18 1366
这篇论文的标题是《Semantic Segmentation for Real Point Cloud Scenes via Bilateral Augmentation and Adaptive Fusion》（通过双边增强和自适应融合进行真实点云场景的语义分割）。文章的核心内容是在处理大规模点云数据的语义分割任务上提出了一个新的网络架构。双边增强（Bilateral Augmentation）：为了减少点云中相邻点之间的歧义，提出了一种双边增强方法，通过几何和语义特征的结合，来扩展点的局部上下文信息。
PointNet++改进策略 ：模块改进 | PointNetXt ，利用训练测量大幅提升PointNet模型性能
u012901740的博客
09-16 1567
这篇名为《PointNeXt: Revisiting PointNet++ with Improved Training and Scaling Strategies》的论文主要讨论了对经典的3D点云网络架构PointNet++进行的改进。作者提出了新的训练策略和模型扩展方法，旨在提高PointNet++的性能。改进训练策略：通过系统地研究数据增强和优化技术，作者发现很多新网络（如PointMLP和Point Transformer）性能提升主要是由于更好的训练策略而非架构上的创新。
PointNet++改进策略 ：模块改进 | OA-CNNs | ， 全自适应3D稀疏卷积神经网络（OA-CNNs），超越基于Transformer的模型，同时显著降低计算和内存成本
u012901740的博客
10-01 1587
这篇论文主要研究了3D语义分割领域中的一种新型稀疏卷积神经网络（CNN），称为全自适应3D稀疏CNN（Omni-Adaptive 3D Sparse CNNs，简称OA-CNNs）。研究的重点是提升传统稀疏CNN的性能，使其在精确度和计算效率上都能与基于Transformer的网络模型相媲美或超越。研究中指出，现有的稀疏CNN在3D语义分割任务上通常不如基于Transformer的模型，原因在于其缺乏足够的自适应性。
PointNet++改进策略 ：模块改进 | PointCAT， 使用交叉注意力机制来提升3D点云任务中提升模型精度
u012901740的博客
09-13 1901
PointCATCross 的核心在于通过多尺度特征提取和跨注意力机制来融合不同分辨率下的几何信息。跨注意力机制能够在全局和局部特征之间建立联系，从而提升模型对复杂三维点云结构的理解能力。借鉴以上思路，可以进行如下改进来增强PointNet++ 对点云多尺度特征、全局信息以及复杂几何关系的捕捉能力，进一步提升了其在点云分类和分割任务中的表现。引入跨尺度注意力机制：利用 PointCATCross 的跨注意力模块，实现多尺度特征的相互交互和增强。引入分类 Token 和多层级特征交互。
PointNet++改进策略 ：模块改进 | Transformer| Point Transformer， 使用Transformer架构引入到3D点云任务中提升模型精度
u012901740的博客
09-12 2233
提出了Point Transformer层：基于自注意力机制，设计了适用于3D点云处理的自注意力层。由于点云本质上是嵌入到3D空间中的点集，自注意力机制在这种情况下很自然地适用。该层对点的排列顺序不敏感，适用于3D点云数据。用于多种3D理解任务：作者通过Point Transformer网络，处理语义场景分割、物体部分分割和物体分类等任务，展示了模型在不同领域的广泛适用性。实验表明，Point Transformer在多个基准数据集上取得了最新的最佳性能。实验结果。
Pointnet++改进69：添加SFHF模块|双域混合结构用于多尺度感受
AIcurator的博客
11-16 366
自然图像可能遭受各种退化现象ena由于不利的大气条件或独特的退化机制。这种多样性使得设计一种通用的方法具有挑战性各种恢复任务的框架。现有的图像恢复方法没有探索不同退化现象之间的共性，而是侧重于对网络结构的修改有限的恢复经验。在这项工作中，我们首先从频率的角度回顾了各种退化现象。基于此，我们提出了一种高效的图像恢复框架SFHformer，它将快速傅立叶变换机制集成到Trans前架构中。具体而言，我们设计了一种双域混合结构用于多尺度感受场模，其中空间域为主，频率域侧重于局部建模和全局建模分别建模。
多路径残注意UNet3D：脑肿瘤分割的创新提升
他们提出了一种创新的神经网络模型，即融合了atrous卷积和注意力机制的单级UNet3D结构，旨在提升脑肿瘤分割的性能。 在这个设计中，传统的UNet架构被扩展，通过跳跃连接引入了注意力机制，而且处理块被替换为两个...
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

打赏作者

AICurator

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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