语义分割
chenzy_hust
检测分割、图像超分、图像去雨领域
展开
-
ECCV2020-RecoNet-语义分割Non Local进化系列 | Tensor Low-Rank Reconstruction for Semantic Segmentation
算是Non-Local体系的一个进化吧,降低100倍计算量的情况下,有效捕获全局上下文信息。期待源码、论文地址:https://arxiv.org/pdf/2008.00490.pdfGithub地址:https://github.com/CWanli/RecoNetAbstract:上下文信息在语义分割任务中起着不可或缺的作用。最近,事实证明了基于non-local自注意力的方法对于上下文信息的聚合是有效的。由于所需的上下文包含空间注意力和通道注意力,因此3D表示是一种适当的表达方式。但是,.原创 2020-09-20 09:41:45 · 862 阅读 · 2 评论 -
74.4miou vs 72fps-实时语义分割网络 | Real-time Semantic Segmentation with Fast Attention
论文地址:https://arxiv.org/pdf/2007.03815v2.pdf语义分割网络中的Fast Attention:Non-local模块中的Q、K、V分支特征维度是HW X HW,本文中的Fast Attention模块使用HW X C,有效降低了参数量和计算量。从实验结构可以看出,模块效果与Non-local模块基本无差别,但是速度有了极大地提升。...原创 2020-09-20 22:49:16 · 920 阅读 · 0 评论 -
SRNet-图推理高效率语义分割网络 | Towards Efficient Scene Understanding via Squeeze Reasoning
Abstract:基于图的卷积模型(例如non-local块)已显示出可有效增强卷积神经网络(CNN)中的上下文建模能力。但是,其按像素计算的开销非常高,这使其不适用于高分辨率图像。在本文中,我们探索了上下文图推理的效率,并提出了一种称为Squeeze Reasoning的新颖框架。首先,我们不是在空间图上传播信息,而是先学习将输入特征压缩为逐个通道的全局向量,并在单个向量内执行推理,从而可以显着降低计算成本。具体来说,我们在向量中构建节点图,其中每个节点代表一个抽象的语义概念。同一语义类别内的优化特征.原创 2020-11-11 20:18:26 · 870 阅读 · 2 评论 -
LRNNET-71FPS vs 72.2%mIou,实时语义分割新方法 | A LIGHT-WEIGHTED NETWORK WITH EFFICIENT REDUCED NON-LOCAL
总结:新的轻量级模块+Non-Local精简模块,实现了速度与性能的最好权衡,看的不是很仔细论文地址:https://arxiv.org/pdf/2006.02706.pdfAbstract:轻量级神经网络的最新发展促进了深度学习在资源限制和移动应用程序下的应用。这些应用程序中的许多应用程序需要使用轻量级网络执行实时高效的语义分割预测。本文介绍了一种轻量级的网络,该网络具有高效的简化non-Local模块(LRNNet),可进行高效且实时的语义分割。我们在ResNet样式编码器中提出了分解卷积块.原创 2020-06-06 11:47:58 · 746 阅读 · 0 评论