AAAI 2024 | 通过边界增强的Patch-Merging Transformer实现超高分辨率分割

最新推荐文章于 2025-04-25 22:37:54 发布
最新推荐文章于 2025-04-25 22:37:54 发布
阅读量12 收藏
点赞数
分类专栏： 计算机顶会顶刊论文解读 文章标签： transformer 深度学习 人工智能 AAAI 论文解读 计算机顶会
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/145077222
版权

论文信息

题目：Ultra-High Resolution Segmentation via Boundary-Enhanced Patch-Merging Transformer
通过边界增强的Patch-Merging Transformer实现超高分辨率分割
作者：Haopeng Sun, Yingwei Zhang, Lumin Xu, Sheng Jin, Yiqiang Chen

论文创新点

  1. 动态Patch-Merging Transformer（PMT）：作者提出了一种动态Patch-Merging Transformer（PMT），能够根据图像内容动态分配token到信息丰富的区域。
  2. 边界增强模块（BEM）：为了进一步提升分割结果的边界精度，作者设计了边
了解本专栏 订阅专栏 解锁全文
AAAI2021论文列表（中英对照）
dovings的博客
07-04 9729
AAAI2021论文列表（中英对照）
AAAI2020论文列表（中英对照）
dovings的博客
07-04 6694
AAAI2020论文列表（中英对照）
【智慧电力】Swin-Transformer改进YOLOv7：电力杆塔识别系统
cheng2333333的博客
12-07 467
【智慧电力】Swin-Transformer改进YOLOv7：电力杆塔识别系统
基于Swin-Transformer改进 YOLOv7电力杆塔识别系统
shansjqun的博客
11-01 470
基于Swin-Transformer改进 YOLOv7电力杆塔识别系统
深度学习之卷积神经网络入门
2201_75345884的博客
04-25 535
loss_fn=nn.CrossEntropyLoss() #创建交叉熵损失函数对象，因为手写字识别中一共有10个数字，输出会有10个结果optimizer=torch.optim.Adam(model.parameters(),lr=0.01) #创建一个优化器# #params:要训练的参数，一般我们传入的都是model.parameters()# lr:learning_rate学习率，也就是步长是交叉熵损失函数，适用于多分类任务，用于计算模型预测结果与真实标签之间的差距。
深度学习--自然语言处理统计语言与神经语言模型
m0_65065095的博客
04-25 1083
传统的语言模型是基于词袋模型（Bag-of-Words）和one-hot编码展开工作的，即在传统的语言模型中要生成一个句子，其实是拿一堆词语进行拼凑，拼凑出一个句子后我们需要有一个评委来对这个机器生成的句子进行打分和评价，语言模型就是这么一位评委，它会给每个句子打出一个概率值，以表明他们与人类语言的接近程度。
基于深度学习Yolo8的驾驶员疲劳与分心行为检测系统
XiaoCoder的博客
04-23 222
③：技术栈：Python、PySide6、OpenCV、YOLOv8、Matplotlib、NumPy。②：开发环境：Python3.8+、PyCharm/VSCode。①：疲劳检测：眨眼频率监测、哈欠检测、Perclos模型评分。②：分心行为识别：手机使用检测、抽烟行为检测、喝水行为检测。④：数据统计：行为数据可视化、疲劳指标统计、数据导出功能。①：系统环境：Windows/Mac/Linux。③：实时监控：摄像头实时画面显示、状态实时更新。【三】疲劳检测模型与行为分析统计。
2025-04-22 李沐深度学习5 —— 线性回归
zheliku的博客
04-22 1295
​ 在美国买房时，买家需根据房屋信息（如卧室数量、卫生间数量、面积等）预测合理的成交价。输入数据：房屋特征（如X1=卧室数X2=卫生间数X3=面积输出目标：预测成交价Y。实际挑战：卖家的标价和网站估价（如Redfin）仅为参考，最终需通过竞价决定成交价，因此准确预测至关重要。​ 计算输入特征X\mathbf{X}X和模型权重w\mathbf{w}w的矩阵-向量乘法后加上偏置bbb。​ 注意，上面的XwXw是一个向量，而bbb是一个标量。
卷积神经网络基础（四）
qq_52889317的博客
04-22 1103
今天我们继续学习各个激活函数层的实现过程。
TM2SP-Net阅读
qq_49130177的博客
04-22 449
TCSVT 2025。
时间序列预测模型比较分析：SARIMAX、RNN、LSTM、Prophet 及 Transformer
weixin_53707653的博客
04-25 368
我们使用 “电力生产 ”数据集探索时间序列识别。我们的目标是计算该数据的月平均值，从而发现准确预测所必需的关键趋势和模式。plt.show()图 (1)： 月度电力生产数据可视化该图（图 1）揭示了电力生产的潜在季节性变化，这对预测工作至关重要。plt.show()图 (2)： ACF 和 PACF 图Dickey-Fuller 检验： 显示非平稳性，表明需要进行差分。ACF 和 PACF： 突显了自回归和移动平均成分的必要性，建议使用初始 ARIMA（1,1,0）模型。
NLP高频面试题（五十四）——深度学习归一化详解
最新发布
WeLearnNLP
04-25 108
现代深度学习中出现了多种归一化技术，它们各有针对的应用场景和特点。我们下面将介绍批归一化（Batch Normalization）层归一化（Layer Normalization）组归一化（Group Normalization）等最为常见的方法，以及实例归一化（Instance Normalization）、**权重归一化（Weight Normalization）**等衍生技术。对于每种方法，我们将讨论其核心原理、计算步骤、优势与局限。
深度学习视觉应用平台特色功能介绍
tipdm0301的博客
04-22 538
深度学习视觉应用平台是面向高校人工智能相关专业课程教学的工具。平台内置丰富有趣的视觉应用案例，将深度学习算法与视觉应用结合，实现图像分类、图像生成、图像增强等交互式实验场景，形象展示算法原理和结构。
深度学习-全连接神经网络（过拟合，欠拟合。批量标准化）
De_Yh的博客
04-22 1284
而是需要根据具体的数据集进行统计计算。这些值是 ImageNet 数据集的统计结果，已成为计算机视觉任务的默认标准。
目标检测：视觉系统中的CNN-Transformer融合网络
Hello大家好，我是Dream，如果帮得到你，那我深感荣幸！想进粉丝福利群及免费送书群，直接私信我拉你。交流学习、商务合作：https://bbs.csdn.net/topics/614347534
04-21 1424
RTD-Net是一个单阶段检测网络，它直接从输入图像预测目标的位置和类别，然后通过非最大抑制（NMS）处理来获取最终检测结果。网络设计考虑了检测精度和速度的平衡，特别适用于资源受限的嵌入式设备。
【KWDB 创作者计划】_深度学习篇---数据获取
道阻且长，行则将至。
04-25 808
在深度学习竞赛(如Kaggle、天池等)和研究项目中，获取大量高质量数据是成功的关键因素之一。以下是系统化的数据获取方法和资源大全。
借助 OpenCV 和 PyTorch 库，利用卷积神经网络提取图像边缘特征
weixin_69327572的博客
04-20 794
python# 定义一个简单的卷积神经网络用于边缘特征提取# 定义一个卷积层，使用Sobel算子的近似卷积核来提取边缘# Sobel算子的x方向卷积核类继承自nn.Module，这是 PyTorch 中所有神经网络模块的基类。__init__方法：：定义一个二维卷积层，输入通道数为 1（灰度图像），输出通道数为 1，卷积核大小为 3x3，步长为 1，填充为 1，不使用偏置。：创建 Sobel 算子的 x 方向卷积核，并将其转换为 PyTorch 张量，同时增加维度以匹配卷积层权重的形状。
深度学习预训练和微调
weixin_56054625的博客
04-21 710
预训练：在大数据集上学通用特征。微调：在小数据集上调整模型以适应新任务。意义：提升小数据性能、节省资源、避免过拟合。
深度学习.全连接神经网络05
weixin_64825193的博客
04-22 763
而是需要根据具体的数据集进行统计计算。这些值是 ImageNet 数据集的统计结果，已成为计算机视觉任务的默认标准。
JSI-GAN: 联合超分辨率与逆色调映射的GAN实现
JSI-GAN是一种基于生成对抗网络（GAN）的深度学习模型，专门用于联合超分辨率和逆色调映射任务，尤其针对UHD HDR视频进行像素级特定任务滤波。该模型是在AAAI 2020会议上被接受的，由Soo Ye Kim、Jihyong Oh和...
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