杨启航-CSDN博客

原创 Squeeze-and-Attention Networks for Semantic Segmentation解读

最近将注意力机制整合到分割任务通过强调特征里面的信息中来提升模型的表征能力。但是这些注意力机制忽略了一个暗含的分割子任务并且被卷积核的方格型形状所限制。我们提出了一个新颖的压缩注意力网络（SANet）结构，利用了一个高效的压缩注意力（SA）模型去计算两个分割图突出的特征：1）分组像素注意 2）像素级预测。特别指出，我们提出的压缩注意力模型通过引入注意力卷积通道在常规卷积上加了像素组注意力，所以以有效的方式引入一个空间-通道相互依赖。最终的分割结果由网络输出和四个阶段的多尺度上下文目标像素级预测增强融合所得。

2020-07-10 15:27:43 2788 2

原创 BiSeNet V2再思考

BiSeNetv2是一篇比较经典的文章，优势是精度高，速度快。文章主题思想就是细节信息和语义信息对分割都非常重要，但是一般语义信息需要较深的网络取提取，而细节信息只在网络的浅层才能很好的保留。所以语义信息和细节信息恰恰对网络的深浅要求是矛盾的。假如网络比较深，下采样次数多，那么网络的语义信息能被很好的提取，但是细节信息却不能很好的保留，反之，细节信息可以很好保留，但是语义信息提取能力不足。本文总结了以前的网络大致的结构，以及他们如何解决这个问题。（a）带有膨胀卷积的结构，这样就可以减少下采样

2020-07-01 17:18:53 3152 1

原创 Joint semantic segmentation and boundary detection using iterative pyramid cintexts

摘要：我们提出了一种用于语义分割和边界检测的联合多任务学习框架。它的关键组成部分是迭代金字塔上下文模型（PCM），它是双任务的，并且存储分享潜在的语义在两个任务之间迭代。对于语义边界检测，我们提出以新颖的空间梯度融合去抑制非语义的信息。语义边界检测是双边任务的，我们引入基于边界一致性约束损失函数去提高语义分割的边界像素精。我们的方法在语义分割和语义边界检测两方面超越了SOTA，特别的，我们在Cityscapes test数据集实现了81.8%的mIoU（没有用额外数据），在语义边界检测上也超越之前的SOTA

2020-06-21 22:59:50 1579 2

原创 Real-Time Video Inferenceon Edge Devices via Adaptive Model Streaming解读

论文地址：https://arxiv.org/pdf/2006.06628.pdf摘要：在边缘设备上如手机的实时视频推理由于人工神经网络的高计算量是非常与有挑战性的。在本文我们提出自适应模型流（AMS），一个点云端辅助的方法，应用于边缘设备上的视频推理。AMS关键的思想就是用线上学习连续的适应一个跑在边缘设备的轻量级模型去增强它的视频识别表现。模型在云端训练并定期的发送给边缘设备。我们讨论在线学习视频任务的挑战并提出一个实用的、考虑边缘设备、云端以及贷款限制的设计，我们的实验结果显示对比预训练的模型我们的

2020-06-19 12:51:56 307

原创 Dual Super-Resolution Learning for Semantic Segmentation解读

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

2020-06-14 22:53:38 4771 3

weixin_42565571的博客

原创 Squeeze-and-Attention Networks for Semantic Segmentation解读

原创 BiSeNet V2再思考

原创 Joint semantic segmentation and boundary detection using iterative pyramid cintexts

原创 Real-Time Video Inferenceon Edge Devices via Adaptive Model Streaming解读

原创 Dual Super-Resolution Learning for Semantic Segmentation解读

原创 Dynamic ReLU 解读

原创 ESPNetv2: ALight-weight,PowerEfﬁcient,andGeneralPurpose ConvolutionalNeuralNetwork解读

原创 Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes解读

原创 RGPNET: 复杂环境下实时通用语义分割网络

原创 XSepConv：终极可分离卷积

原创 CGNet 一种上下文指导的轻量级分割网路

原创图像分割任务中的loss之weight

空空如也

空空如也