论文阅读—— CEASC（cvpr2023）

最新推荐文章于 2024-03-16 16:25:23 发布
最新推荐文章于 2024-03-16 16:25:23 发布
阅读量789 收藏
点赞数
分类专栏： 论文 文章标签： 人工智能
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/weixin_43575791/article/details/134229889
版权

arxiv：https://arxiv.org/abs/2303.14488

github：https://github.com/Cuogeihong/CEASC

为了进一步减轻SC中的信息损失，使训练过程更加稳定，我们在训练过程中除了稀疏卷积之外，还保持了正常的密集卷积，生成了在全输入特征图上卷积的特征图C_{i,j}。然后，我们使用C_{i,j}来通过将MSE损失优化为来增强稀疏特征图F_{i,j}

じんじん
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
论文精度 —— 2016 CVPR 《Context Encoders: Feature Learning by Inpainting》
m0_51339444的博客
08-08 773
论文精度 —— 2016 CVPR 《Context Encoders: Feature Learning by Inpainting》
CVPR 2023 | 主干网络FasterNet 核心解读 代码分析
黎国溥
10-31 2070
本文分享来自CVPR 2023的论文，提出了一种快速的主干网络，名为FasterNet。论文提出了一种新的卷积算子，partial convolution，部分卷积(PConv)，通过减少冗余计算内存访问来更有效地提取空间特征。创新在于部分卷积(PConv)，，降低了计算复杂度，从而实现了快速高效的神经网络。区别于常规卷积：PConv只对输入通道的一部分应用卷积，而保留其余部分不变。
【CVPR2023】具有全局上下文增强的自适应稀疏卷积网络，用于加快无人机图像的目标检测...
深度学习与计算机视觉
09-22 1933
论文标题：Adaptive Sparse Convolutional Networks with Global Context Enhancement for Faster Object Detection on Drone Images代码：https://github.com/Cuogeihong/CEASC导读本文文着眼于解决在无人机平台上进行目标检测所面临的挑战，即需要在有限的计算资源下实...
CEASC代码解读
weixin_43238909的博客
03-02 1230
通过这样的加权和操作，最终得到了经过动态调整的输出结果，其中保留位置的特征来自卷积操作，丢弃位置的特征来自基础值 self.base。这种设计可以有效地处理多尺度的特征并生成相应的分类和回归结果。这样可以在动态卷积中实现对输入特征图的局部保留和丢弃，进而影响网络的自适应性和表达能力。中进行卷积操作，生成一个输出特征图，输出特征图会传递给Gumbel 模块。执行结束后，我们就得到了卷积过后的特征图。该代码的作用是将卷积操作的结果。的特征图尺寸发生了改变。特征的下采样和尺度变化。层代替了传统的卷积层。
小目标检测技巧 | 全局上下文自适应稀疏卷积CEASA | 助力微小目标检测涨点
人工智能讲师分享前沿技术
04-27 2967
深度神经网络（如细胞神经网络和Transformer）的最新进展显著提高了在公共基准（如COCO）上的目标检测性能。相比之下，为无人机平台设计检测器目前仍然是一项具有挑战性的任务。一方面，现有的研究热衷于设计复杂的模型，以在高分辨率无人机图像上达到微小目标的高精度，这在计算上很不划算的。另一方面，无人机配备的硬件往往受到资源限制，这对轻量级部署模型提出了快速推理和低延迟的迫切需求。为了解决准确性和效率之间的平衡困境，学界做出了许多努力，主要是在通用目标检测上，基本上集中于降低骨干网络的复杂性。
Adaptive Sparse Convolutional Networks with Global Context Enhancement for Faster Object Detection o
Mrwei_418的博客
07-15 1225
Adaptive Sparse Convolutional Networks with Global Context Enhancement for Faster Object Detection on Drone Images阅读笔记
全局上下文增强的自适应稀疏卷积网络用于无人机图像上更快速的目标检测
qq_44852180的博客
03-15 801
在资源受限的无人机平台上，无人机图像上的目标检测具有低延迟是一项重要但具有挑战性的任务。本文研究了基于稀疏卷积优化检测头的方法，证明其在平衡准确性和效率方面是有效的。然而，它存在着对微小目标上下文信息集成不足以及在前景尺度变化时掩蔽比例控制笨拙的问题。为了解决上述问题，我们提出了一种新颖的全局上下文增强自适应稀疏卷积网络（CEASC）。
CVPR16论文阅读1
Ramon的专栏
06-24 1641
文章题目： Zero-Shot Learning via Joint Latent Similarity Embedding发表方式：会议论文，CVPR2016主要作者：Ziming Zhang and Venkatesh Saligrama‘主要单位：波士顿大学，美国1. 一句话说主旨： 把不同模态的数据映射到各自的由side information构成的隐式空间中，然后在两个隐式空间的不同主题上
多模态感知论文阅读笔记 | CVPR 2023, Depth Estimation from Camera Image and mmWave Radar Point Cloud
NLOS的博客
07-10 620
背景提出一种从摄像机图像和稀疏雷达点云推断密集深度图的方法Challenge：毫米波雷达点云形成的挑战,如模糊性和噪声⇒⇒无法正确映射到camera images上设计一个网络将每个雷达点映射到图像平面上可能投影的表面与现有工作不同,我们不直接处理原始雷达点云,而是查询每个原始点与图像中可能的像素进行关联——产生半密集的雷达深度图提出带门控融合方案,考虑对应分数的置信度,选择性地结合雷达和相机嵌入来产生密集深度图。
RGBT Tracking论文阅读：Efficient RGB-T Tracking via Cross-Modality Distillation（CVPR2023）
qianxi1234的博客
06-02 1174
目前大多数RGB-T跟踪器采用双流结构来提取单峰RGB和热特征，并采用复杂的融合策略来实现多模态特征融合，这需要大量的参数，从而阻碍了其在现实生活中的应用。另一方面，紧凑型RGB-T跟踪器在计算上可能是高效的，但由于特征表示能力的削弱，会遇到不可忽略的性能退化。为了弥补这种情况，提出了一种跨模态蒸馏框架，以弥补紧凑跟踪器和强大跟踪器之间的性能差距。
论文精度 —— 2017 CVPR《High-Resolution Image Inpainting using Multi-Scale Neural Patch Synthesis》
m0_51339444的博客
08-10 890
论文精度 —— 2017 CVPR《High-Resolution Image Inpainting using Multi-Scale Neural Patch Synthesis》
论文阅读——UniRepLKNet
weixin_43575791的博客
12-26 2507
论文阅读——DINOv
weixin_43575791的博客
11-27 1871
对通用分割，训练阶段和推理阶段不太一样。Os是解码的分割查询特征（segmentation query features），Op是解码的目标视觉查询特征（target visual prompt features），M、B是预测的mask和box，Cg 和 Cr 是预测的通用分割和参考分割的匹配分数，这两个分数通过PromptClassifier计算Os和Op的相似性得到。对于通用分割的推理阶段采样策略，在推理阶段，以COCO数据集为例，基于训练阶段建立的所有语义类别的掩码提示，预提取相应的视觉提示特征。
论文阅读——Slide-Transformer（cvpr2023）
weixin_43575791的博客
12-29 1785
以k=3为例，如果我们首先将原始特征图向9个不同的方向移动（图3（2.b）），然后将这些特征展平成行，最后将它们连接成列（图3的2.c）），则所获得的键/值矩阵被证明等效于HW局部窗口，该窗口可以恢复与原始Im2Col函数完全相同的输出（图3中的1.c））。尽管部分解决了查询不可知的键值对的限制，但所设计的模式可能会导致不自然的情况，即不同窗口边缘的特征尽管在特征图中很近，但却被完全隔离。与以前的模式相比，局部注意力同时具有卷积和自我注意力的优点：1）以查询为中心的注意力模式产生的局部归纳偏差；
论文阅读——GeoChat（cvpr2024）
最新发布
weixin_43575791的博客
03-16 1599
论文阅读——Prophet（cvpr2023）
weixin_43575791的博客
11-25 1513
这个模型分为两阶段：一是答案启发生成阶段（answer heuristics generation stage），即在一个基于知识的VQA数据集上训练一个普通的VQA模型，产生两种类型的答案启发，答案候选列表和答案例子；首先介绍VQA模型，有一个数据集D，一个答案词库W，一个VQA模型可以分为两部分，一部分是backbone Mb，一部分是分类头Mh，骨干网络用来将输入的图片和问题融合为一个特征z，分类器一般是简单的线性分类器，得到yi，表示得到得到答案wi的分数。从VQA得到的答案y里面选出前K个答案。
论文阅读——Img2LLM（cvpr2023）
weixin_43575791的博客
12-01 1512
ITE可以计算图片和问题的相似度，GradCAM可以生成一个粗略的定位图，突出显示给定问题的匹配图像区域。为了去除有噪声的字幕，我们使用ITE来计算生成的字幕和采样的问题相关图像补丁之间的相似性得分，并过滤匹配得分小于0.5的字幕。总的来说，这个过程产生了与问题相关的、多样化的、干净的合成字幕，在视觉和语言信息之间架起了一座桥梁。为了解决这个问题，我们生成关于图像中与问题相关的部分的标题，并将其包含在LLM的提示中。有了候选答案后可以使用现成的任意的问题生成模型为每一个候选答案生成具体的问题。
论文阅读——EfficientViT（cvpr2023）
weixin_43575791的博客
12-30 1498
每个阶段堆叠所提出的Ef ficientViT构建块，并且在每个子采样层，令牌的数量减少4倍（分辨率的2倍子采样）。为了实现高效的二次采样，提出了一种高效的ViT二次采样块，它也具有三明治布局，只是自注意层被倒置的残差块取代，以减少二次采样过程中的信息损失。典型的ViT主要继承了NLP变换器的设计策略，例如，使用Q、K、V投影的等效宽度，逐级增加头，并将FFN中的膨胀比设置为4。这表明在不同的头部中使用不同的通道分割特征，而不是像MHSA那样对所有头部使用相同的完整特征，可以有效地减少注意力计算冗余。
论文阅读——X-Decoder
weixin_43575791的博客
12-25 1449
对于mask classification，包括“background”在内C个类别编码为C个文本查询，提取每个查询最后一个有效特征作为概念表示，然后取对应前（m-1）个潜在查询的decoder输出，计算这些输出和概念表示的点乘，得到。其中，对第一个公式，所有查询和视觉特征做交叉注意力，对于潜在查询，使用masked cross-attention mechanism，对文本查询使用全部注意力。对，m个潜在查询输出mask，对于语义输出，为潜在查询和文本查询预测输出，，文本T经过text encoder。
cvpr 2023 uav
09-16
CVPR 2023是计算机视觉和模式识别的顶级会议，UAV（无人机）在该会议上是一个热门的研究领域。 UAV（无人机）技术在过去几年中取得了显著的发展和广泛的应用。它们被广泛用于农业、测绘、监测和救援等领域。CVPR ...
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