Simple and Efficient Architectures for Semantic Segmentation 简洁的语义分割论文

于 2023-02-25 20:11:16 发布
阅读量241 收藏
点赞数
分类专栏： 论文推荐 文章标签： 深度学习 人工智能 神经网络
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/nijiayan123/article/details/129219797
版权

今天在看论文时注意到了这篇论文，FFNet，文章以语义分割为主，整体结构简单明了。

 大家有兴趣可以细看，我看到这篇文章发表于CVPR2022，看到这篇文章给我最大的感受并不是什么网络设计多么精巧，这篇文章主要是用了FPN 结构。给我最大的感受是，对一些常用的东西，我们只要认真弄，也是可以发好文章的。

skyfengye
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
深度学习论文: SegFormer:Simple and Efficient Design for Semantic Segmentation with Transformers及其PyTorch实现
mingo_敏
10-19 1454
SegFormer使用一种分层特征表示的方法，每个transformer层的输出特征尺寸逐层递减，通过这种方式捕获不同尺度的特征信息。并且舍弃了ViT中的position embedding操作，避免了测试图像与训练图像尺寸不同而导致模型性能下降的问题。在decoder部分采用简单的MLP结构，聚合transformer层不同尺度的特征，可以同时融合局部注意力和全局注意力。
SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers
qq_43733107的博客
10-13 1112
Segformer论文
SegFormer：Simple and Efficient Design for SemanticSegmentation with Transformers阅读笔记
m0_53292725的博客
08-22 486
VIT使用位置编码PE（Position Encoder）来插入位置信息，但是插入的PE的分辨率是固定的，这就导致如果训练图像和测试图像分辨率不同的话，需要对PE进行插值操作，这会导致精度下降。为了解决这个问题CPVT（Conditional positional encodings for vision transformers. arXiv, 2021）使用了3X3的卷积和PE一起实现了data-driver PE。我们认为语义分割中PE并不是必需的。
论文主要要点记录《SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers》
Twinkle (＾－＾)V
08-13 996
transformer与轻量级多层感知器(MLP)解码器结合不需要位置编码，避免了在测试分辨率与训练分辨率不同时对位置码进行插值导致性能下降的问题。SegFormer避免了复杂的解码器，使用MLP解码器聚集了来自不同层的信息，结合了局部关注和全局关注，具有强大的特征表示能力。1. 语义分割是逐像素的类别预测，而不是图像级预测任务2. fcn是密集预测的主要设计选择主干的架构优化：setr证明在语义分割任务中使用transformer的可行性。...
FFNet
最新发布
whaosoft143ai的博客
02-25 958
这里提出了一个名为FFNet的极简架构，并展现了FFNet架构和一系列基于FFNet架构设计的网络模型的结果。实验表明：FFNet不仅降低了推理时间和计算成本，其内的各种操作算子对各种模型推理硬件也非常友好，这使得语义分割在算力有限的设备上部署变得更加容易。语义分割（Semantic Segmentation）现有的一些先进架构（如HRNet）的设计所引起的高复杂性对一系列模型加速工具并不友好，导致一些架构在当前硬件的模型推理上效率低下。whaosoft aiot http://143ai.com
Ensembles of Multiple Models and Architectures for Robust Brain Tumour Segmentat
03-07
Brats17 NO.1 :Ensembles of Multiple Models and Architectures for Robust Brain Tumour Segmentation
DSP ALGORITHMS AND ARCHITECTURES FOR TELECOMMUNICATION
07-11
### DSP算法与架构在电信领域的应用 #### 一、引言 随着数字信号处理（DSP）技术的发展，电信领域中的数据传输质量和容量得到了显著提升。《DSP算法与架构在电信领域的应用》一书深入探讨了如何利用现有家庭铜线...
Optical Architectures for Augmented-, Virtual-, and Mixed-Reality Headsets
06-12
微软Hololens首席光学架构师发布的增强显示、虚拟现实、混合现实头戴显示的光学架构资料，感兴趣的可以下载看看。
Task Scheduling for Multi-core and Parallel Architectures 2017
01-16
This book presents task-scheduling techniques for emerging complex parallel architectures including heterogeneous multi-core architectures, warehouse-scale datacenters, and distributed big data ...
论文阅读：SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers
a486259的博客
07-29 4094
我们提出了SegFormer，一个简单，高效但强大的语义分割框架，它将Transformers与轻量级多层感知器(MLP)解码器统一起来。SegFormer有两个吸引人的特点：1)SegFormer包括一个新的层次结构Transformers编码器，输出多尺度特征。它不需要位置编码，从而避免了位置码的插值，当测试分辨率与训练不同时，会导致性能下降。2)SegFormer避免了复杂的解码器。所提出的MLP解码器聚合了来自不同层的信息，从而结合了局部注意和全局注意，呈现出强大的表示。我们证明，这种简单和轻量级的
2022 AAAI | FLANet 全注意力网络用于语义分割
u011447962的博客
12-09 6159
香港中文大学 Fully Attentional Network for Semantic Segmentation paper:https://arxiv.org/pdf/2112.04108.pdf 摘要 最近的非局部自注意方法(non-local)已被证明在捕获语义分割的长期依赖关系方面是有效的。这些方法通常形成一个相似的通道特征图（通过压缩空间维度）或空间特征图（通过压缩通道）来描述沿通道或空间维度的特征关系。然而，这种做法倾向于在其他维度上压缩特征依赖性，从而导致注...
【语义分割】一文概览主要语义分割网络，FCN、UNet、SegNet、DeepLab
热门推荐
chen1234520nnn的博客
08-20 1万+
语义分割：是将输入图像中的每个像素分配一个语义类别，以得到像素化的密集分类。 上图中将人和自行车从图片中分割出来了。 语义分割一般网络架构 一般的语义分割架构可以被认为是一个编码器-解码器网络。 1）编码器：通常是一个预训练的分类网络，像 VGG、ResNet，然后是一个解码器网络。这些架构不同的地方主要在于解码器网络。 2）解码器：解码器的任务是将编码器学习到的可判别特征(较低分辨率)从语义上投影到像素空间(较高分辨率)，以获得密集分类。 语义分割不仅需要在像素级有判别能力，...
论文学习-SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers
qq_42882457的博客
04-16 1604
目录一、SegFormer: Simple and Efficient Design for Semantic Segmentation with TransformersAbstract1 Introduction2 Related Work3 Method3.1分级Transformer编码器3.2 轻量级 All-MLP 解码器 一、SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers A
SegFormer：使用Transformer进行语义分割的简单高效设计
阿木寺的博客
06-01 7867
前言 将 Transformer 与轻量级多层感知 (MLP) 解码器相结合，表现SOTA！性能优于SETR、Auto-Deeplab和OCRNet等网络，代码即将开源！ 注1：文末附【视觉Transformer】交流群 想看更多CVPR 2021论文和开源项目可以点击： CVPR2021-Papers-with-Code ​ SegFormer SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformer
语义分割综述"A SURVEY ON DEEP LEARNING-BASED ARCHITECTURES FOR SEMANTIC SEGMENTATION ON 2D IMAGES"
w55100的博客
02-25 1571
A SURVEY ON DEEP LEARNING-BASED ARCHITECTURES FOR SEMANTIC SEGMENTATION ON 2D IMAGES https://arxiv.org/pdf/1912.10230.pdf Irem Ulku 语义分割的一篇综述，了解下该领域。 语义分割的第一步是对每个pixel给予class label标注。 感觉奇怪的...
使用UNET理解语义分割
weixin_41697507的博客
04-16 5818
A Salt Identification Case Study Table of Contents: Introduction Prerequisites What is Semantic Segmentation? Applications Business Problem Understanding the data Understanding Convolution, Max Pooli...
论文阅读——U-NetPlus: A Modified Encoder-Decoder UNet Architecture for Semantic and Instance Segmentation
qq_37151108的博客
05-07 5260
论文阅读之改进UNet的语义分割和实例分割网络用于辅助微创手术 U-NetPlus: A Modified Encoder-Decoder U-Net Architecture for Semantic and Instance Segmentation of Surgical Instrument 摘要： 微创手术由于难以追踪手术设备所在视野限制了医生灵活操作，而基于深度学习的语义分割框架对视频...
【论文汇总】Semantic-Segmentation(语义分割)
扬帆·启航
12-18 9007
关于语义分割的所有论文和资源的列表。
Intel 64 and IA-32 Architectures Instruction Set Reference
"Intel 64 and IA-32 Architectures Software Developer's Manual Volume 2B是英特尔提供的一本详细的技术文档，涵盖了从N到Z的指令集参考。这本书是整个系列的第二部分，旨在帮助软件开发者理解和利用Intel 64（也...
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