Dual Super-Resolution Learning for Semantic Segmentation（CVPR2020)）论文解读

最新推荐文章于 2022-11-01 12:02:28 发布
最新推荐文章于 2022-11-01 12:02:28 发布
阅读量646 收藏 3
点赞数 2
分类专栏： 变化检测论文解读 文章标签： 神经网络 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/qq_38308388/article/details/112544944
版权
本文解读了2020年CVPR论文《Dual Super-Resolution Learning for Semantic Segmentation》，该论文提出将超分辨率技术应用于语义分割任务，提升分割精度。文章介绍了SSSR、SISR和FA三个核心模块，并展示了实验效果。
摘要由CSDN通过智能技术生成

目录

1.网络结构图

2.单模块结构

2.1.语义分割超分辨率（SSSR）模块

2.2.单图像超分辨率（SISR）模块

2.3.特征相似性（FA）模块

3.损失函数

4.部分结果展示

 

《Dual Super-Resolution Learning for Semantic Segmentation》这篇文章是中科院自动化研究所的2020CVPR论文，我觉得可以借鉴亮点是将超分辨率重建（Super-Resolution）用在分割任务上，不仅没有加大计算量，而且提高了分割精度。不禁感叹，太酷了！

本文不对文章所有内容进行详细讲解，只讲解最亮点操作，详细内容请参考原文。

论文地址： Dual Super-Resolution Learning for Semantic Segmentation

开源代码地址：代码地址

1.网络结构图

话不多说，直接上网络结

了解本专栏 订阅专栏 解锁全文 超级会员免费看
zy_destiny
关注
专栏目录
订阅专栏
Dual Super-Resolution Learning for Semantic Segmentation解读
weixin_42565571的博客
06-14 4764
双边超分辨率学习语义分割 收录在cvpr2020 摘要：现在的最好的语义分割办法用高分辨率的输入去提高模型性能，这种方法使得计算量增加很多。我们提出了灵活而简单的双支路网络框架（叫DSRL）可以很好的提高网络精度的同时不引入额外的计算量。具体的来说，我们的方法分为三部分：1.超分辨率分割（SSSR）2.单张图像超分辨率（SISR）3.特征关联（FA）模块。可以在低分辨率的输入的情况下保持高分辨率，同时减少计算量。这种方法还可以很简单的应用到其他任务上如人体姿态估计。我们的方法在人体姿态估计与Citysca
语义分割之Dual Super-Resolution Learning for Semantic Segmentation
画心
07-27 2062
Dual Super-Resolution Learning for Semantic Segmentation 文章目录Dual Super-Resolution Learning for Semantic Segmentation说在开头网络结构性能增益参考链接 原始链接：https://www.yuque.com/lart/papers/gdgzv8 说在开头 CVPR2020的一篇工作。引入了超分辨率恢复任务作为辅助任务，来帮助语义分割网络获得更高分辨率且更加良好预测。这篇文章不同于现有的方法
Dual Super-Resolution Learning for Semantic Segmentatio || CVPR2020
qq_41997237的博客
07-10 615
Dual Super-Resolution Learning for Semantic Segmentatio 用于语义分割的双超分辨率学习 Abstract： 当前的语义分割通常使用高分辨率输入来获得好的效果，但需要巨大的计算资源受设备的限制。**本文我们提出了一个简单灵活的 two-stream framework 方法，叫做 Dual Super-Resolution Learning （DSRL），在不引入额外算力消耗的情况下提升分割的准确性。方法由 3 部分组成：Semantic Segment
CVPR2020-图像超分辨率与语义分割结合，提升2-3个点 | Dual Super-Resolution Learning for Semantic Segmentation
weixin_42096202的博客
06-18 6803
图像超分辨其实可以帮助小目标检测与语义分割这些任务，本文提出的框架简单有效 Github地址：https://github.com/wanglixilinx/DSRL. Abstract： 当前最先进的语义分割方法通常使用高分辨率输入来获得高性能，这带来了巨大的计算代价，并限制了它们在资源受限的设备上的应用。在本文中，我们提出了一个简单而灵活的双分支框架，称为双重超分辨率学习（DSRL），以有效提高分割精度，而不会引起额外的计算成本。具体来说，该方法包括三部分：语义分割超分辨率（SSSR），单图像超分.
[DIS]Deep Dual Learning for Semantic Image Segmentation
Jinming Su
02-02 1027
Abstract ICCV2017的文章，港中文，中山和商汤合作. 本文认为现在的语义分割的性能并没有完全被开发出来，原因是需要大量的pixel级别的标注。本文的目的就是提出dual image segmentation(DIS)，半监督来提高分割效率。DIS的三个主要优点是: (1)利用tags来提高labelmap的结果 (2) 能够clean tags that have noises ...
深度学习——Dual Super-Resolution Learning
weixin_51352656的博客
11-09 672
CVPR2020论文：Dual Super-Resolution Learning for Semantic Segmentation 1.主要工作： 提出了双信息流结构的超分辨率深度学习网络（DSRL网络）。在不增加计算量的情况下，提高语义分割的精度。 验证了DSRL网络框架的通用性，它可以很容易地扩展到其他需要高分辨率表示的任务，如人体姿态估计。 证明了该方法在语义分割和人体姿态估计方面的有效性。 2.主体架构 主要分为3部分：(a) Semantic Segmentation Super-Resol
CVPR2022自适应/语义分割：Class-Balanced Pixel-Level Self-Labeling for Domain Adaptive Semantic Segmentation
ssshyeong的博客
11-01 2149
域自适应语义分割的目的是在监督源域数据的情况下学习模型，并在未标记的目标域上产生令人满意的密集预测。为解决上述问题，我们建议直接探索目标域数据的内在像素分布，而不是过度依赖源域。具体来说，我们同时对像素进行聚类，并使用获得的聚类分配对标签进行整流。这个过程以在线的方式完成，因此伪标签可以与分割模型共同进化，而不需要额外的训练。为了克服长尾类的类不平衡问题，我们采用一种分布对齐技术，使簇分配的边缘类分布接近于伪标签的边缘类分布。所提出的方法，即类平衡像素级自标记(CPSL)
图像风格迁移cvpr2020_GitHub - wty2019/CVPR2020-Code: CVPR 2020 论文开源项目合集
weixin_39689297的博客
01-13 1042
CVPR2020-CodeCVPR 2020 论文开源项目合集，同时欢迎各位大佬提交issue，分享CVPR 2020开源项目关于往年CV顶会论文(如ECCV 2020、CVPR 2019、ICCV 2019)以及其他优质CV论文和大盘点，详见： https://github.com/amusi/daily-paper-computer-visionCNNExploring Self-attent...
深度学习论文翻译--Fully Convolutional Networks for Semantic Segmentation
DAOCHI
12-05 1224
本文翻译论文为深度学习经典模型之一：FCN 论文链接：https://arxiv.org/pdf/1411.4038.pdf 摘要：卷积网络是非常优秀的视觉模型，可以产生不同层次的特征。本文结果表明，像素到像素、端到端的卷积网络超过经典的语义分割基准。我们主要的贡献在于建立全卷积网络（fully convolutional networks）：输入任意尺寸的图像，可以得到相应大小的输出分类图像...
MyDLNote-Super-Resolution: CVPR2020 TDAN 时间变形对齐网络 视频超分辨率
u014546828的博客
02-16 827
TDAN: Temporally-Deformable Alignment Network for Video Super-Resolution [CVPR2020] [GitHub] Abstract Video super-resolution (VSR) aims to restore a photorealistic high-resolution (HR) video frame from both its corresponding low-resolution (LR) fr
SLIC超分辨率SAR分割算法
11-29
里面含有目录，目录里说明了各个函数的用法，可在MATLAB中调用slic函数，方可运行
DualSuperResLearningForSemSeg:实施“用于语义分割的双重超分辨率学习” CVPR 2020，https
03-28
实施“用于语义分割的双重超分辨率学习”，CVPR 2020年论文 这是的实现， 结合了超分辨率和特征相似性学习来改善传统的语义分割模型。 结果 上256×512个输入与输出512x1024分段图，用250个历元仅预训练的重量为他们的训练骨干使用和NOT它们之前类型： 阶段 类型 平均准确度％ 平均IoU％ 交叉熵误差 最佳时代 1个 SSSR 93.28 57.83（51.78） 0.228 250 2个 SSSR + SISR 93.48 60.59（53.21） 0.224 248 3 SSSR + SISR + FA 93.34 60.96（53.33） 0.227 234 注意：报告的均值IoU是使用交集之和除以交集之和（常用）而得出的，括号中的是单独计算的并集上的交集的均值（均值IoU的精确定义）。 改善 SSSR模块目前使用一个双线性升采样
DSRL：Dual Super-Resolution Learning paper学习笔记
luxem_lu的博客
11-16 1221
从公众号推广里了解到的这篇论文，说是描述一种即插即用技术，对现有的语义分割网络进行模块添加（分辨率处理）后就能提升最终的性能，具体如何待学习后再修正。文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 2020 CVPR 论文： Dual Super-Resolution Learning for Semantic Segmentation 学习 原文地址获取链接： https://openaccess.thecvf.com/content_CVPR_2020/papers/Wang_Dua
CVPR2020 | 即插即用！将双边超分辨率用于语义分割网络，提升图像分辨率的有效策略...
AI算法修炼营的博客
06-15 4790
点击上方“AI算法修炼营”，选择“星标”公众号精选作品，第一时间送达本文是收录于CVPR2020的工作，文章利用低分辨率的输入图像通过超分辨率网络生成高分辨率的图像，从而给语义分割模型提...
CVPR 2020 论文大盘点-语义分割篇
我爱计算机视觉
06-20 1万+
图像分割应用广泛，在CVPR 2020 论文中所占比例很高，可说是一大热门，有110多篇相关论文，本文盘点CVPR 2020 所有语义分割（Semantic Segmentation）相...
CVPR 2020 论文大盘点-超分辨率篇
热门推荐
我爱计算机视觉
06-12 2万+
本文盘点CVPR 2020 所有超分辨率（Super-Resolution，SR）技术相关论文，总计21篇，超分辨率是CV领域传统方向，下面这张图让你一眼明白它要做什么。图片来自CVPR...
【论文阅读】Learning Deconvolution Network for Semantic Segmentation
huitailangyz的博客
08-20 1975
论文地址：https://arxiv.org/abs/1505.04366v1   目录 【概要】 一、介绍 二、相关工作 三、系统结构 3.1 结构 3.2 用于分割的反卷积网络 3.3 系统概述 四、训练 4.1 批标准化（Batch Normalization） 4.2 两步训练 五、推断 5.1 汇总实例级别的分割映射 5.2 与FCN进行集成 六、实验 ...
oracle中dual的一些学习了解
superme5200000的博客
06-06 507
进了项目组才正式接触Oracle，以前的都是用的MySQL，先前以为dual表是数据库中的开发人员创建的普通表，当时还傻乎乎的去找，后来才查找实质了解是怎么回事，下面是一些参考和总结。 dual是一个虚拟表，用来构成select的语法规则，oracle保证dual里面永远只有一条记录，可以用它来做很多事...
STANet：基于时空注意力机制的变化检测网络
向上生长的程序媛的博客
11-21 4258
论文：A Spatial-Temporal Attention-Based Method and a New Dataset for Remote Sensing Image Change Detection pytorch源码：GitHub地址 摘要 遥感影像的变化检测在两时相影像中经常会由于光照角度和位置配准误差产生误识别，影像网络表现，在本文中，作者提出了一种基于时空注意机制的孪生神经网络，设计了一种变化检测注意力机制来对时空关系进行建模，在特征提取过程中增加了一个变化检测自注意力模块，计算任
ccnet: criss-cross attention for semantic segmentation
最新发布
03-16
ccnet是一种用于语义分割的criss-cross attention技术。它可以在不同层次的特征图之间进行交叉注意力，以捕捉更多的上下文信息，从而提高分割的准确性。该技术已经在许多语义分割任务中取得了很好的效果。
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

zy_destiny

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