BiSeNet的特点

最新推荐文章于 2023-11-06 17:27:26 发布
最新推荐文章于 2023-11-06 17:27:26 发布
阅读量859 收藏 4
点赞数
分类专栏： 图像处理 文章标签： 深度学习 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_44669966/article/details/125633180
版权

BiSeNet特点：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JwExNVUs-1657071532229)(C:\Users\HP\AppData\Roaming\Typora\typora-user-images\image-20220704104230531.png)]

1. 双分支网络

一个网络强调细节，它的特征图最小是小到1/8的尺寸，也就是说尽量保持了比较多的特征图细节；

第二个就是轻量化，他只用三个卷积层，就实现了

第三个是高级语义特征的支路（context path），强调比较深的深度，最深可以达到1：32的下采样，

第四个是轻量级模型，使用inception来实现，在保持比较深的深度同时。仍然保持比较小的计算量，通过全局平均池化，实现上下文信息的捕获，主要思路就是简单轻量骨干网络

第五就是特征融合，两个分支的特征图空间是不同的，特征差异会比较大，融合时就会导致很多噪声点，因此它使用批量正态化，减少特征表示之间的差异，使用注意力机制加权融合，来强调高级语义特征

2. 特征融合模块

首先进行了一个通道上的堆叠，也就是串联，然后通道堆叠后使用了一个普通卷积进行处理，之后使用了一个类似注意力的机制，最后是一个短接

3. 损失函数

使用主损失函数监督整个网络，使用辅助损失函数监督右侧比较深的网络，主要目的是加快训练进度

使用BiSeNet实现自己的语义分割

我是一个小稻米
关注
专栏目录
实时语义分割网络 BiSeNet（附代码解读）
seek0226的博客
04-16 1万+
实时语义分割网络 BiSeNetBiSeNetContributionsBackGroundBiSeNet 结构Loss functionExperimental Results采用数据集一些实验结果 BiSeNet Contributions 提出了一种包含空间路径(SP)和上下文路径(CP)的双边分割网络(BiSeNet), 将空间信息保存和接受域提供的功能解耦成两条路径。 提出了特征融合模块(FFM)和注意细化模块(ARM)，以在可接受的成本下进一步提高精度。 在cityscape、CamVid和C
轻量级实时语义分割：ICNet & BiSeNet
追
09-22 3476
ICNet for Real-Time Semantic Segmentation on High-Resolution ImagesICNet贡献Image Cascade NetworkSpeed AnalysisNetwork ArchirtectureCascade Feature FusionCascade Label GuidanceStructure Comparision and Analysis结果BiSeNetIntroductionRelate WorkBilateral Segmen
【语义分割】BiSeNet -- Bilateral Segmentation Network for Real-time Semantic Segmentation
筱
05-17 1480
similar concept high level features -> semantic information -> context information -> receptive field -> classfication ability high level semantic context information to get sufficient rec...
BiSeNet: 一种用于实时语义分割的双边分割网络
华青水上的博客
06-28 3287
论文地址：https://arxiv.org/abs/1808.00897.pdf 代码地址：https://github.com/CoinCheung/BiSeNet 语义分割既需要丰富的空间信息，又需要相当大的感受野。然而，现在的方法通常会牺牲空间分辨率来实现实时推理速度，这导致了较差的性能。 在本文中，作者使用了一种新的双边分割网络(BiSeNet)来解决这一难题。他们首先设计了一条小步长的空间路径来保存空间信息并生成高分辨率的特征。同时，使用具有快速下采样策略的上下文路径来获得足够的接受场..
BiSeNet：用于实时语义分割的双向分割网络
莫大逗比嘟嘟
04-21 869
目录 一、Title 二、Journal 三、Background 四、Model 五、Experiments Experiment 1 Experiment 2 Experiment 3 Experiment 4 论文阅读时间: 2021-4-15 10:13:01 一、Title FuseSeg: Semantic Segmentation of Urban Scenes BasedonRGB and Thermal Data Fusion 二、Journal ...
[深度学习从入门到女装]BiSeNet
炼丹师
12-12 2033
论文地址：BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation ECCV2018的文章   提出了双通道的分割网络方法，分为Spatial path、Context path Spatial path spatial path用于得到足够的spatial information，分为三层...
使用BiSeNet做人脸面部解析.zip
最新发布
04-06
主要特点 跨平台：OpenCV支持多种操作系统，包括但不限于Windows、Linux、macOS、Android和iOS，确保代码能够在不同平台上无缝运行。 丰富的功能：库中包含了数千个优化过的函数，涵盖了计算机视觉领域的诸多...
BiSeNet深度学习
03-31
BiSeNet的特点是它将图像分为两个部分进行处理：全局分支和局部分支。全局分支负责捕捉图像中的全局信息，例如图像的背景和主要对象的整体形状。局部分支则专注于每个像素周围的细节，以便更好地理解图像中的物体...
BiSeNet V2再思考
weixin_42565571的博客
07-01 3128
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
BiSeNet - 轻量级实时语义分割
m0_59056870的博客
09-12 7223
在语义分割领域，由于需要对输入图片进行逐像素的分类，运算量很大。通常，为了减少语义分割所产生的计算量，通常而言有两种方式：减小图片大小和降低模型复杂度。减小图片大小可以最直接地减少运算量，但是图像会丢失掉大量的细节从而影响精度。降低模型复杂度则会导致模型的特征提取能力减弱，从而影响分割精度。所以，如何在语义分割任务中应用轻量级模型，兼顾实时性和精度性能具有相当大的挑战性。
BiSeNet V2网络结构详解
u011231598的博客
12-15 4655
语义分割中微观（细节）信息和宏观信息都很重要，一般浅层网络能够提取微观信息，而宏观信息提取需要很深的网络。这两个需求是相反的，很难在同一个网络上实现，于是提出了一种双边网络。 Detail Branch : 提取微观特征。关注图像细节。 Semantic Branch : 提取宏观特征。相当于将图像大致分块。 3.2 网络细节 r：重复的次数 Stem Block: 卷积层设置stride=2也可以起到跟pooling类似的下采样的作用，但是卷积层...
教程--从零开始使用BiSeNet（语义分割）网络训练自己的数据集
北屿的博客
07-24 6006
为了从图片分割出我们想要的特征，我们采用BiSeNet作为分割模型，并且在自己制作的数据集上进行训练测试。注：训练是在linux环境下的，Win下训练可能会有点问题。
双分支CNN卷积神经网络搭建 TensorFlow
qq_37497875的博客
11-17 8173
在掌握了简单CNN卷积网络的搭建方法后，我们来了解一下双分支CNN卷积网络的搭建基本方法。 下面我们来用代码构建一个如下结构的网络： 现在网络上面关于传统神经网络搭建的讲解有很多，但是对于多分支网络的讲解很少，所以很多人第一次看到这种网络会一头雾水并感到无从下手，其实这样的网络搭建并不算难。让大家感到困难的点在于如何将两个分支网络分别独立训练并在后面汇总到一起。 其实只需要像传统神经网络那样分别构建两个分支的网络（注意用不同的变量名......
基于双分支卷积神经网络实现光谱分类
weixin_43761593的博客
11-06 579
介绍了特征级融合和基于深度学习融合的融合，实现了双分支卷积神经网络的光谱特征融合，包括数据分析流程，python代码实现
[LRFR] (双分支CNN) LRFR Using a Two-Branch Deep Convolutional Neural Network Architecture
心宝的博客
03-05 2456
一、方法概览&模型优化 使用方法对比： 前人： (CLPMs、MDS、NMCF、DSR) 本文： 2个不同的卷积神经网络FECNN与SRFECNN 模型优化： 1)调参 2)选择合适的 分类模型 3)人脸检测后，对图像数据进行预处理，（角度不好的头像进行旋转变换，以及重构填充） 4)选择合适的人脸检测方法。 5)对两个CNN进行优化 二、INTRODUCTION 为何低分辨率人脸识别...
深度神经网络之BiseNet
qq_36968562的博客
09-04 738
通过辅助损失函数监督模型的训练，通过主损失函数监督整个 BiSeNet 的输出。提高编程效率：Intel OneAPI提供了统一的编程接口和工具链，可以帮助开发者快速构建高性能应用，并且可以在不同的硬件平台上运行。在语义分割任务中具有高效率和高精度：BiseNet结合了全卷积网络和空间金字塔池化模块的优点，可以同时实现高效率和高精度的语义分割。从图可以看出模型对于图像分割的效果是相当的不错，很清晰的能够看出物体的轮廓和边缘。能够对特定的数据集进行处理和分析，对于相关的特征处理也更加的得当。
BiSeNet-更多的空间信息和更大的感受野模型 | ECCV2018
qq_43311107的博客
10-07 402
BiSeNet-更多的空间信息和更大的感受野模型 | ECCV2018
BiSeNet：用于实时语义分割的双边分割网络——BiSeNet:Bilateral Segmentation Network for Real-time Semantic Segmentation
ADICDFHL的博客
10-10 4202
语义分割需要丰富的空间信息和较大的感受野。然而，现代的方法通常为了实现实时推断速度而牺牲空间分辨率，导致性能下降。本文提出了一种新的双边分割网络（BiSeNet）来解决这个问题。我们首先设计了一个具有小步长的空间路径来保留空间信息并生成高分辨率特征。同时，采用快速下采样策略的上下文路径用于获取足够的感受野。在两个路径之上，我们引入了一个新的特征融合模块来有效地组合特征。所提出的架构在Cityscapes、CamVid和COCO-Stuff数据集上在速度和分割性能之间取得了适当的平衡。
给我推荐一个融合双分支特征的融合模块
04-05
一个融合双分支特征的融合模块是SE-Net，它是一种基于Squeeze-and-Excitation的网络架构，可以有效地融合不同分支的特征。SE-Net通过学习特征通道之间的关系，自适应地加权不同通道的特征，从而提高模型的性能。在SE-Net中，Squeeze操作将每个特征图压缩为一个数值，Excitation操作将每个数值与一个可学习的权重向量相乘，得到一个加权特征图。SE-Net可以应用于各种计算机视觉任务，例如图像分类、目标检测和图像分割。
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