U平方Net：深入使用嵌套的U型结构进行显著目标检测

最新推荐文章于 2023-10-27 16:04:25 发布
最新推荐文章于 2023-10-27 16:04:25 发布
阅读量1.2k 收藏 4
点赞数
分类专栏： 论文解读 文章标签： 网络 计算机视觉 人工智能 深度学习 编程语言
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_42722197/article/details/112856221
版权
本文介绍了一种名为U2-Net的深度网络架构，用于显著目标检测。该架构采用两层嵌套的U型结构，能从不同尺度捕捉上下文信息，同时保持较低的计算成本。U2-Net无需预训练的骨干网络，可以直接从头训练，并在多个SOD数据集上表现出竞争力。作者还提供了代码实现和实验结果，证明了其模型的有效性和效率。
摘要由CSDN通过智能技术生成 
点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达



小白导读论文是学术研究的精华和未来发展的明灯。小白决心每天为大家带来经典或者最新论文的解读和分享，旨在帮助各位读者快速了解论文内容。个人能力有限，理解难免出现偏差，建议对文章内容感兴趣的读者，一定要下载原文，了解具体内容。

摘要

作者设计了一个简单而强大的深层网络架构，U2-Net，用于显著目标检测(SOD)。作者的U2-Net的体系结构是一个两层嵌套的U型结构。设计具有以下优点:(1)它能够捕捉更多上下文信息从不同尺度的混合接受字段大小不同的在计划的剩余U-blocks (RSU),(2)它增加了整个架构的深度没有显著增加池的计算成本,因为这些RSU块中使用的操作。这种架构使作者能够从头开始训练一个深度网络，而不需要从图像分类任务中使用骨干。为了方便在不同的环境下使用，作者对所提出的架构U2- Net (176.3 MB, 30 FPS在GTX 1080Ti GPU上)和U2- Net+ (4.7 MB, 40 FPS)两个模型进行了实例化。这两种模型在6个SOD数据集上都具有竞争性能。

代码链接：https://github.com/NathanUA/U-2-Net

论文创新点

作者的主要贡献是一种新颖而简单的网络架构，称为U2-Net，它解决了上述两个问题。首先，U2-Net是一种为SOD设计的两层嵌套

最低0.47元/天 解锁文章
小白学视觉
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
U平方Net篇
爱CV
10-18 484
1. pth转为onnx import torch import torchvision import torch.onnx from torch.autograd import Variable # An instance of your model # model = UNet(n_channels=3, n_classes=1) # device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # # 加载模型参数
U2-Net 使用嵌套 U 结构进行更深入的显着目标检测
iCloudEnd的博客
11-18 1551
在给定图像中分割不同的对象一直是计算机视觉领域的一项众所周知的任务。多年来，我们已经看到自编码器到疯狂的深度学习模型（如 Deeplab）被用于语义分割。在所有模型的深海中，仍然有一个名字排在最前面，它就是U-Net。U-Net 于 2018 年发布，此后获得了巨大的普及，并以某种形式用于与分割相关的多种不同任务。在这篇博客中，我们将介绍 U-net 的一种变体，称为 U²-Net 或 U-squared Net。U²-Net 基本上是由 U-Net 构成的 U-Net。
CVPR2020 U2-Net：嵌套U-结构的更深层次的显著目标检测
北屿的博客
06-23 9300
U2-Net：嵌套U-结构的更深层次的显著目标检测 摘要 在本文中，我们设计了一个简单而强大的深层网络结构U2-Net，用于显著目标检测(SOD)。我们的U2-网的体系结构是一个两级嵌套的U-结构。该设计具有以下优点：(1)在所提出的ReSidual U-blocks (RSU)中混合了不同大小的感受场，能够从不同的尺度捕捉更多的上下文信息；(2)在不显著增加计算代价的情况下，增加了整个体系结构的深度，因为这些RSU块使用了合并操作。此体系结构使我们能够从头开始训练深度网络，而无需使用图像分类任务中的主干。
基于深度学习的目标检测框架总结
热门推荐
gzj_1101的专栏
08-01 1万+
目前比较主流的基于深度学习的目标检测框架主要分为两类，一类是基于two-stage的方法，比如RCNN，Fast RCNN，Faster RCNN，将检测任务分为回归(location)和分类任务。还有基于one-stage的目标检测框架，例如YOLO/YOLOv2，SSD等，同时完成检测和回归任务。two-stage任务准确率较高，但是速度比较慢。one-stage能够达到实时性但是牺牲了精度。...
U-net详解
qq_52053775的博客
09-03 1808
训练时使用随机梯度下降，使用一个高动量（0.99），训练时使用大型输入图像而不是大批量。损失函数：
目标检测YOLO实战应用案例100讲-复杂背景下的红外弱小目标检测方法研究
qq_36130719的博客
05-21 1289
弱小红外目标检测中的“弱”指的是在背景较为复杂时，目标与背景特征相似，易被淹没在背景中，一般对比度小于15%，且在远距离成像中耗散了较多能量以致其信杂比(Signal-to-Clutter Ratio, SCR)不大于3；“小”是指远距离的成像造成了成像大小在2×2−9×9 像素之间[2]，目标缺乏可区分的形状和纹理信息，因此，由远距离红外成像系统所得图像中的目标呈现“弱”和“小”的特点；另一方面，小目标所处的背景多变且复杂，通常是无人机所拍摄的空对地场景，包。
目标检测YOLO实战应用案例100讲-基于深度学习的红外小目标检测关键算法研究
qq_36130719的博客
08-08 847
红外探测系统、可见光探测系统和雷达探测系统构成了当前主流的三大探测系 统。红外探测系统与可见光探测系统相比，有透过烟雾能力强、不受光照影响、全 天候工作的特点。与雷达探测系统相比，红外探测系统具有体积小易于携带、隐蔽 性强、抗干扰能力强等优势。因此，红外探测系统在上述探测系统中脱颖而出。基于红外图像的小目标检测技术作为红外探测系统中的关键技术被广泛应用到 军事和民用的相关领域，具体包括：导弹追踪、目标勘测、森林灾难预警、海洋人 员救援、以及夜间安防等。
目标检测YOLO实战应用案例100讲-基于深度学习的自动驾驶目标检测算法研究
qq_36130719的博客
05-18 1162
近年来，随着人工智能技术以及车载感知器件的快速发展，国内外许多传统汽车企业与互联网巨头强强联手，开始在自动驾驶的战场上布局。如图1-1所示,百度、特斯拉、谷歌以及华为等科技公司已经在自动驾驶领域取得了阶段性的进展。谷歌公司早在2010年就开始了自动驾驶的研究工作，目前的自动驾驶安全行驶距离已经超过14万英里；特斯拉则在自动驾驶商业化方面取得成绩优异，2020年，配有“完全自动驾驶”的汽车年销量已经超过60万。国内自动驾驶技术。
提升层：基于深度嵌套网络的新非线性传递函数和其在图像处理中的应用
图像处理和计算机视觉中基于学习的方法的巨大进步主要基于深度嵌套的网络，这些网络组成具有适当非线性的线性传递函数。有趣的是，成像应用中最常用的非线性（整流线性单元的变体）在低维近似问题中并不常见。在本文...
后台删除：U ^ 2-Net作为后台删除服务
02-05
U2Net删除背景 这是的单一存储库，作为后台删除服务。 建有VueJS，氩气和VueMD为和瓶和Pytorch了。 在GitHub Pages-GCP Cloud Run上免费托管。 学分 例子
U-2-Net 人脸肖像画生成预训练模型 u2net_portrait.pth
11-25
该文件是U-2-Net模型用于人脸肖像画生成的预训练模型文件:u2net_portrait.pth。 作者最新的应用，生成的人脸肖像画效果非常好，毛发处很细腻。感兴趣的小伙伴可以试一试！
卷积神经网络的结构_今日 Paper | 弱监督目标的定位；递归残差卷积神经网络；嵌套U-Net结构；超强小目标检测等...
weixin_39736606的博客
12-11 335
目录重新思考通往弱监督目标的定位基于U-Net（R2U-Net）的递归残差卷积神经网络在医学图像分割中的应用UNet++: 一种医学图像分割的嵌套U-Net结构使用基于双谱的深度卷积神经网络对非线性时间序列进行分类hAttention-RPN和Multi-Relation的超强小目标检测 重新思考通往弱监督目标的定位论文名称：Rethinkingthe Route Towards Weakl...
深度学习| U-Net网络
最新发布
qq_40306845的博客
10-27 7748
U-Net网络入门学习，理解网络结构、Overlap-tile策略以及应用领域。
论文阅读——U^2-Net:Going deeper with nested U-structure for salient object detection
qq_37151108的博客
02-20 5775
U^2-Net:Going deeper with nested U-structure for salient object detection Abstract 本文提出一种简洁高效的目标显著性检测框架——U2Net。U2Net包含两层嵌套的UNet结构，具有以下优点：
 （1）在本文提出的残差U形模块（RSU)中通过不同尺寸感受野的混合可以有效捕获不同尺度的上下文信息；
 （2）RSU模块中的池化操作在不显著增加计算成本的前提下进一步加深了网络的深度。这种网络架构使得我们可以从头训练深层网络而无需使用
U^2-Net:Going Deeper with Nested U-Structure for Salient Object Detection论文学习
weixin_44563655的博客
01-10 675
论文绪论用于显著目标检测即：SOD设计了U^2-Net网络，优点如下：RSU对不同接受域，对文章从不同尺度获取更多文章信息增加池化深度，不会因为RSU使用池化操作，很大程度影响计算成本U2net结构从头开始训练网络结构，不需要使用图像分类任务实例化使用两个模型验证所提的结构便于在不同环境下使用，两个模型在6个SOD数据集上实现了具有竞争力性能。
《U^2-Net：Going Deeper with Nested U-Structure for Salient Object Detection》论文笔记
m_buddy的博客
02-05 549
参考代码：U-2-Net 1. 概述 导读：这篇文章针对图片显著性目标检测（分割或许更为妥当）提出一种新的网络结构U^2-Net，该网络结构从整体上看由两层的U型结构组成，即是由U型的子模块（ReSidual U-blocks，RSU-L）构建一个更大的U型网络。文章指出这样做可以带来两点好处：1）可以极大提升网络在不同scale上获取上下文信息的能力，这是靠网络混合不同特征图尺寸下感受野得到的；2）由于在RSU中引入了池化操作因而可以加深网络，而不会带来巨大的计算开销。此外，文章还从具体任务出发提出不需
U^2-Net跨界肖像画，完美复刻人物细节，GitHub标星2.5K+
AI科技大本营
11-25 1344
来源 |Jack Cui头图 | CSDN下载自视觉中国今年提出的 U^2-Net 显著性检测算法，刷爆了 reddit 和 twitter，号称是 2020 年「地表最强」的静态背景...
使用u^2net打造属于自己的remove-the-background
jinfagang1211的博客
05-22 1551
使用u^2net打造属于自己的remove-the-background 本文由小肉包老师原创，转载请注明出处，来自腾讯、阿里等一线AI算法工程师组成的QQ交流群欢迎你的加入: 1037662480 不久之前有一篇叫做u^2net的论文刷爆reddit和twitter，号称是2020年最强的静态背景分割算法。但科研归科研，我们更关心的是它能用来做什么有趣的东西。既然它能做静态物体分割，那为何不能用它来打造一个属于我们的自己的remove the background呢？ 说道remove the bac
C++编程：深入理解循环嵌套与结构化特性
循环的嵌套是C++编程中的重要概念，它允许程序员在一条循环语句内部定义另一条完整的循环。在C++³ÌÐòÉè¼Æ中，谭浩强所著的...在学习和实践中，理解并熟练运用循环嵌套技巧，能够显著提升程序设计的质量和效率。
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

小白学视觉

您的赞赏是我们坚持下去的动力~

¥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