【论文浅读】《Contextual Pyramid Attention Network for Building Segmentation in Aerial Imagery》

最新推荐文章于 2023-04-29 17:13:41 发布
最新推荐文章于 2023-04-29 17:13:41 发布
阅读量356 收藏
点赞数
分类专栏： CV 文章标签： 卷积 计算机视觉 卷积神经网络
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/qq_34451909/article/details/106361150
版权

创新思想：

为了改进航空影像中提取建筑物的效果，文章提出了远程金字塔模型(Contextual Pyramid Attention, CPA)，捕获远程依赖项来改进不同大小的建筑分段。

主要原理：

在这里插入图片描述
CPA是在ResNet中Block 4的基础上再增加的模块，在多个尺度下卷积激活再卷积，产生一个加权输出，该输出被馈送到FPN解码器。

在这里插入图片描述
上下文信息的算子以及整合公式。
在这里插入图片描述
自身信息的算子公式。

主要实验结果：

在这里插入图片描述
评价指标有IoU和Acc：
IoU(Intersection over Union)重叠度：实际和预测为建筑面积的 交集/并集；
Acc(Accuracy)正确率：正确分类的像素与总像素的比率；

在这里插入图片描述
左上，右上：原图；
左下：ResNet101-FPN；
右下：ResNet101-FPN + CPA模型；

邂逅模拟卷
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
Collaborative Contextual Anomaly Detection for Industrial Equipment Groups
02-21
Collaborative Contextual Anomaly Detection for Industrial Equipment Groups
【2019-TGRS】Aerial LaneNet: Lane-Marking Semantic Segmentation in Aerial Imagery Using Wavelet-Enhanc
qq_273058791的博客
11-16 244
创新点：1.建立了航片路面标志数据集2.在不同步骤中将输入图像的离散小波变换插入到FCNNs中来保存高频信息（包括标线），从而专注于小尺寸车道标记不足：分析：积结论：SOTA、end-to-end、pixels-to-pixels。
人群密度估计--Generating High-Quality Crowd Density Maps using Contextual Pyramid CNNs
AI小作坊 的博客
09-19 4704
Generating High-Quality Crowd Density Maps using Contextual Pyramid CNNs ICCV2017针对人群密度估计问题，本文主要从 incorporating global and local contextual information 来降低人群密度估计误差 使用多个CNN网络来估计不同尺度的 context 来帮助人群密度估
2017_Generating high-quality crowd density maps using contextual pyramid cnns
weixin_43051446的博客
06-07 366
Generating high-quality crowd density maps using contextual pyramid cnns说明概括一、Introduction二、方法三、训练和评价细节参考文献 说明 本文是对以下这篇文章的总结及部分翻译。 Sindagi V A, Patel V M. Generating high-quality crowd density maps using contextual pyramid cnns[C]//IEEE international confe
[论文阅读] Shallow Attention Network for Polyp Segmentation
xiongxyowo的博客
12-27 1503
论文地址：https://arxiv.org/abs/2108.00882 代码：https://github.com/weijun88/SANet 发表于：MICCAI’21 Abstract 准确的息肉分割对结直肠癌的诊断具有重要意义。然而，即使拥有强大的深度神经网络，仍然存在三大挑战，阻碍了息肉分割的发展。(i）在不同条件下采集的样本显示出不一致的颜色，造成特征分布差距和过拟合问题；（ii）由于反复的特征降采样，小息肉容易退化；（iii）前景和背景像素不平衡，导致训练有偏差。为了解决上述问题，我们提出
【论文速递】最新计算机视觉/图像处理方向论文
深度学习技术前沿
04-20 1158
关注上方“深度学习技术前沿”，选择“星标公众号”，资源干货，第一时间送达！[检测分类相关]：【1】 Joint Semantic Segmentation and Boundary De...
Learning Conceptual-Contextual Embeddings for Medical Text.pdf
10-19
Learning Conceptual-Contextual Embeddings for Medical Text.pdf
Cluster Analysis based on Contextual Features Extraction for Conversational Corpus
02-09
Cluster Analysis based on Contextual Features Extraction for Conversational Corpus
Relative image similarity learning with contextual information for Internet cross-media retrieval
02-21
Relative image similarity learning with contextual information for Internet cross-media retrieval
Efficient Method for Designing Associative Memory with Contextual Small-World Architecture
02-10
Efficient Method for Designing Associative Memory with Contextual Small-World Architecture
building segmentation code
05-19
This is the code in one of my papers, which is used to segment buildings in remote sensing images.
息肉分割(Polyp Segmentation)方向部分论文汇总
xiongxyowo的博客
07-16 1万+
只非常简单找了一小小部分，不保证时效性以及覆盖性 广告：目前也在做息肉分割方向(很菜)，欢迎私信学术讨论交流 DATASET [paper] [repo] [Kvasir-SEG] Kvasir-SEG: A Segmented Polyp Dataset [paper] [repo] [EndoScene] A Benchmark for Endoluminal Scene Segmentation of Colonoscopy Images [paper] [repo] [CVC-Clin
Building Extraction论文、代码和数据集汇总
如果想成为中心，那么就到中心去吧。
03-18 5603
文章目录2020End to End Trainable Active Contours via Differentiable Rendering(ICLR)数据集 2020 End to End Trainable Active Contours via Differentiable Rendering(ICLR) code: https://paperswithcode.com/paper/end-to-end-trainable-active-contours-via-1 摘要： 我们提出了一种迭代演
图像分割模型性能的指标IOU与ACC
qq_44089890的博客
04-29 4678
具体来说，对于每个类别，我们可以计算出它们在分割结果和真实结果中的像素数目，并计算它们之间的交集和并集。具体来说，对于每个类别，我们可以计算出它们在分割结果和真实结果中的像素数目，然后计算分类正确的像素数目。具体来说，对于每个类别，我们可以计算出它们在分割结果和真实结果中的像素数目，然后计算分类正确的像素数目，最后将所有类别的像素分类正确率求平均。aAcc用于评估模型整体的分类准确率，mIoU用于评估模型在不同类别之间的性能差异，mAcc用于评估模型在像素分类方面的整体性能。
【论文浅读】《Generating High-Quality Crowd Density Maps Using Contextual Pyramid CNNs》
卷子的博客
05-26 362
创新思想： Contextual Pyramid CNN (CP-CNN)：文章提出的上下文金字塔，由以下四个部分组成： Global Context Estimator (GCE)：全局上下文估计； Local Context Estimator (LCE)：局部上下文估计； Density Map Estimator (DME)：密度映射估计； Fusion-CNN (F-CNN)：融合CNN； 主要原理： 整体结构。 全局上下文估计(GCE)：绿色； 局部上下文估计(LCE)：蓝色； 密度映射
人群计数：CP-CNN --Generating High-Quality Crowd Density Maps using Contextual Pyramid CNNs
目睹闰土刺猹的瓜的博客
07-26 1224
The goal of this paper : ** generating high-quality crowd density and lower count error map ** The reason for doing this work : Now many works do not explicitly incorporate contextual information whi...
contextual component model
wuhaixing
11-15 149
语境组件模型的三句话解释 seam是根据组件定义构建对象的工厂 创建完成后，seam在几个语境容器中选择一个把这个对象丢进去，这个对象就有了对应的生命周期和上下文关系，当然还能保存状态 接下来，seam就能根据各个类中定义的metadata来把各个语境中的对象整到一起，让他们互动起来。       回到unification上来了，Seam的unification是通过统一组件注册、注解、基于...
目标检测/图像分割 评价标准IOU/准确率及精确率
热门推荐
weixin_44350541的博客
03-08 1万+
评价标准 目标检测和图像分割的评价标准是一样的，核心都是使用IOU标准 IOU(Intersection-Over-Union) OU即Intersection-Over-Union，IoU相当于两个区域重叠的部分除以两个区域的集合部分得出的结果 目标检测 图像分割 Pixel Accuracy&Pixel Precision 上面所述的IoU只是用于评价一幅图的标准，如果我们要评...
【论文阅读】SPMF-Net: Weakly Supervised Building Segmentation...
轻舟的万重重山
04-22 2352
文章目录摘要2. Methodology2.1 Weak Supervision Label Generation2.1.1 Superpixel Pooling2.1.2 Multi-Scale Feature Fusion2.1.3. CAM Calculation2.2 Building Extraction3 Results and Analysis3.1. Dataset3.2 Data Processing3.3 Parameter Settings3.4 Evaluation Metrics
Sparse Single Sweep LiDAR Point Cloud Segmentation via Learning Contextual Shape Priors from Scene Completion 讲了什么
最新发布
05-24
这篇论文提出了一种基于学习场景完成的上下文形状先验的稀疏单次扫描 LiDAR 点云分割方法。该方法利用了点云中的稀疏性和不规则性，并通过学习场景中物体的形状先验知识来提高分割的精度。具体来说，该方法首先根据...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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