论文笔记：Strip Pooling条纹池化: Rethinking Spatial Pooling for Scene Parsing

最新推荐文章于 2021-11-02 18:41:19 发布
最新推荐文章于 2021-11-02 18:41:19 发布
阅读量2.5k 收藏 6
点赞数
分类专栏： 论文解读 文章标签： 网络 计算机视觉 深度学习 卷积
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_41105449/article/details/105452688
版权

本文考虑了N×1和1×M的狭长形状的池化核。

本文主要贡献：

1）引入了一个新的strip pooling模块，使backbone网络能够有效地模拟long-range依赖关系；
2）提出了一种以多种空间池化为核心的新型模块MPM，并构建了SPNet；
3）系统地比较了所提出的strip pooling和传统Spatial pooling技术的性能；

网络结构

1.Strip pooling（SPM）
在这里插入图片描述
如图所示，分别用H×1和1×W的条形池化核进行操作。利用扩展卷积将结果扩充为H×W大小，将对应位置的值相加。再将原始的数据和sigmoid后的数据对应元素相乘得到输出。
这里模块的前后分别还有一个1×1的卷积核，作用就是改变通道数，结构类似于bottleneck。

2.MPM（Mixed Pooling Module）
在这里插入图片描述
融合池模块将条纹池化和空间池化的结果串联起来作为输出，本模块前后同样也都有一个1x1的卷积核用来改变通道数量。图（a）适用于识别短距离依赖，图（b）适用于长距离依赖，将两者结合起来识别效果更好。（1）和（2）中除了子模

最低0.47元/天 解锁文章
小睿羊今天好好学习了吗
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
即插即用篇 | YOLOv8 引入 Strip Pooling | 重新思考场景解析的空间池化
YOLOv8项目贡献者
05-11 743
Strip Pooling
【YOLOv5/v7改进系列】改进池化层为SPP、SPPF、SPPCSPC
最新发布
2401_84870184的博客
06-08 1539
池化层（Pooling Layer）是卷积神经网络（Convolutional Neural Networks, CNNs）中的一个重要组成部分，主要用于减少输入数据的空间尺寸（例如，图像的宽度和高度），同时保持其最重要的信息。这一过程称为下采样（downsampling）或者降维。池化操作通过提取特征图（feature maps）的摘要信息来实现，这些摘要信息通常是原特征的统计量，如最大值、平均值或其他聚合方式的结果。
2020CVPR-目标分割-SPNet-Strip Pooling Rethinking Spatial Pooling for Scene Parsing
CharmsLUO的博客
11-16 2522
论文下载：SPNet-paper:Strip Pooling: Rethinking Spatial Pooling for Scene Parsing 代码下载：SPNet-github:Strip Pooling: Rethinking Spatial Pooling for Scene Parsing 文章目录前言一、创新点二、主要内容1.背景2.具体方法2.1、 SPM——Strip Pooling Module2.2、MPM——Mixed Pooling Module总结 前言 Strip Po
空间金字塔池化_CVPR2020 语义分割之条纹池化
weixin_39744554的博客
12-16 235
Strip Pooling: Rethinking Spatial Pooling for Scene Parsinghttps://arxiv.org/pdf/2003.13328.pdf​arxiv.org一 文章出发点 按照作者所说：普通的空间池化，不可避免的会加入一些无关紧要的像素区域。尤其是在利用池化扩大感受野时，这一缺点将更加明显。所以作者提出了 条纹池化。二、文章核心...
CVPR2020：语义分割Strip Pooling条形池化: Rethinking Spatial Pooling for Scene Parsing
m0_47645778的博客
05-08 6228
文章目录一、背景及相关知识二、本文的主要贡献及主要方法三、实验四、代码分析五、总结 一、背景及相关知识 场景解析，也就是语义分割任务，近年来，在众多领域如无人驾驶、医疗图像分析、图像及视频编辑等计算机视觉任务中具有很重要的应用。近年来，语义分割的方法主要是基于FCN的方法，这系列方法在捕获高层语义信息方面已经取得了很多的成果，但是，这些方法仍有一些缺陷，这些方法主要是堆砌了一些局部的卷积和池化操作，因此，感受野是有局限性的，对于复杂场景的解析仍有不足。 本文主要是 二、本文的主要贡献及主要方法 三、实验
Strip Pooling: Rethinking Spatial Pooling for Scene Parsing论文阅读&翻译
weixin_42102791的博客
06-23 1088
Strip Pooling: Rethinking Spatial Pooling for Scene Parsing论文阅读论文地址AbstractIntroductionMethodologyStrip PoolingStrip Pooling Module功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的
《Strip Pooling：Rethinking Spatial Pooling for Scene Parsing》论文笔记
m_buddy的博客
05-30 1714
代码地址：SPNet 1. 概述 导读：池化操作是在逐像素预测任务中获取较大感受野范围较为高效的做法，传统一般采取N∗NN*NN∗N的正规矩形区域进行池化，在这篇文章中引入了一种新的池化策略，就是使用长条形的池化kernel来实现池化，即是池化的核心被重新设计为N∗1,1∗NN*1,1*NN∗1,1∗N，从而构建了strip pooling操作。这个操作的引入使得网络可以更加高效获取网络大范围感受野下的信息，在这个理念的基础上搭建了使用多个长条池化层构建的新模块Strip Pooling Module（S
CVPR2020-Strip Pooling-优于空间池化 | Strip Pooling: Rethinking Spatial Pooling for Scene Parsing
weixin_42096202的博客
05-21 3016
程明明组的论文，针对问题和解决方案都比较直接，相关代码也已经开源了 论文地址：https://arxiv.org/pdf/2003.13328.pdf Github：https://github.com/Andrew-Qibin/SPNet Abstract： 事实证明，空间池化在捕获用于场景解析等像素级预测任务的远程上下文信息方面非常有效。在本文中，除了通常具有N x N规则形状的常规空间池化之外，我们通过引入一种称为strip pooling的新池化策略来重新考虑空间池化的公式，该策略考虑了一个长.
深度学习论文: Strip Pooling: Rethinking Spatial Pooling for Scene Parsing及其PyTorch实现
mingo_敏
05-05 1268
Strip Pooling: Rethinking Spatial Pooling for Scene Parsing PDF:https://arxiv.org/pdf/2003.13328v1.pdf PyTorch: https://github.com/shanglianlm0525/PyTorch-Networks 1 概述 Spatial pooling在捕获像素级预测任务（如场景解析...
UFLDL Exercise: Convolution and Pooling 卷积和池化
01-01
UFLDL（Understanding Deep Learning via Linearized Models）是一个学习资源，提供了深入理解深度学习概念的练习，其中"Convolution and Pooling"这一部分主要介绍了卷积层和池化层在神经网络中的应用。 卷积层是...
MaxPooling 最大池化简单实现
12-22
def max_pooling(feature_map, size=2, stride=2): """max_pooling""" channel = feature_map.shape[0] height = feature_map.shape[1] width = feature_map.shape[2] # 确定最后的输出形状 out_height = np....
PyTorch的自适应池化Adaptive Pooling实例
12-23
自适应最大池化Adaptive Max Pooling： torch.nn.AdaptiveMaxPool1d(output_size) torch.nn.AdaptiveMaxPool2d(output_size) torch.nn.AdaptiveMaxPool3d(output_size) 自适应平均池化Adaptive Average Pooling： ...
theano_fractional_max_pooling:Theano的分数最大池化实现
05-06
分数最大池 在Theano中实施“分数最大缓冲”（ ） 怎么办 不相交的伪随机分数最大池，用于2D图像 待办事项 通用版本 输入： 形状分子 形状分母 如何？...池大小决定了池的大小如果没有，则与步幅相同 ...
Ask the dictionary: Soft-assignment location-orientation pooling for image classification
02-07
Inspired by the bag of statistical sampling analysis (Bossa), SALOP also explores the effect of dictionary for pooling method, but leverages both location and orientation information between the ...
UNET详解和UNET++介绍（零基础）
热门推荐
qq_41105449的博客
06-09 3万+
一·背景介绍 背景介绍： 自2015年以来，在生物医学图像分割领域，U-Net得到了广泛的应用，目前已达到四千多次引用。至今，U-Net已经有了很多变体。目前已有许多新的卷积神经网络设计方式，但很多仍延续了U-Net的核心思想，加入了新的模块或者融入其他设计理念。 编码和解码，早在2006年就发表在了nature上.当时这个结构提出的主要作用并不是分割，而是压缩图像和去噪声.后来把这个思路被用在了图像分割的问题上，也就是现在我们看到的FCN或者U-Net结构，在它被提出的三年中，有很多很多的论文去讲如何
论文笔记：基于图注意力网络的多变量时间序列异常检测Multivariate Time-series Anomaly Detection via Graph Attention Network
qq_41105449的博客
11-02 6180
Multivariate Time-series Anomaly Detection via Graph Attention Network是来自ICDM2020的文章，基于图注意力网络的多变量时间序列异常检测。
论文笔记：BoxInst
qq_41105449的博客
02-24 1692
介绍 这篇论文出自阿德莱德大学沈春华研究团队，暂未发表，一个只需要box标注的实例分割模型。本文提出了一个实现实例分割的高性能方法，训练时只需使用box标注。本文中，作者只用到了一个简单的设计就可以实现显著的性能提升 。本文核心思想是重新设计实例分割中的 mask 损失函数，无需修改分割网络。新的损失函数无需 mask 标注。 它是通过以下两个损失项做到的： 1)最小化groundtruth的投影和预测的mask之间的误差。 2) 利用颜色的相似性把相邻的颜色相近的像素归结为同一个实例。 作者只用 ResN
第5关:池化--pooling layers
10-27
池化层是深度学习网络中的一种重要层级。它的作用是通过减少特征图的尺寸来减少参数数量和计算量，同时提取出特征图的主要特征。池化层一般紧跟在卷积层后面，它的输入是卷积层输出的特征图。 在池化层中，常用的池化操作是将输入的特征图划分为不重叠的子区域，然后在每个子区域中选择一个最大值或者求取平均值。这样做的好处是可以保留重要的特征，同时降低特征图的尺寸，减少后续层级的计算量。 对于最大池化操作，它会选择每个子区域中的最大值作为输出。这样做有助于保留图像的边缘、纹理等重要特征。对于平均池化操作，它会对每个子区域中的数值求取平均值作为输出。这样做可以模糊图像并保留整体的信息。 在池化层中，需要设置池化窗口的大小和步幅。池化窗口的大小决定了每个子区域的大小，而步幅则表示窗口在特征图上的平移间隔。通过调整这些参数，可以控制最终输出的特征图尺寸。 总而言之，池化层是深度学习网络中一种常用的层级，它通过减少特征图的尺寸来降低计算量，并提取出重要的特征。最大池化和平均池化是常见的池化操作，它们可以保留图像的重要信息。通过调整池化窗口的大小和步幅，可以控制最终输出的特征图尺寸。
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