语义分割--Attention to Scale: Scale-aware Semantic Image Segmentation

最新推荐文章于 2022-09-12 11:17:34 发布
最新推荐文章于 2022-09-12 11:17:34 发布
阅读量9.4k 收藏 15
点赞数 4
分类专栏： 语义分割 语义分割
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/zhangjunhit/article/details/72915490
版权

Attention to Scale: Scale-aware Semantic Image Segmentation
CVPR2016

http://liangchiehchen.com/projects/DeepLab.html

针对语义分割问题，嵌入多尺度信息是很有必要的，这里我们提出用一个 attention mechanism 来学习每个像素位置的 softly weight the multi-scale features

这里写图片描述
attention model 学习对于不同尺度的物体赋予不同的权重

对于提取多尺度特征，目前主要有两种网络结构：

这里写图片描述
Skip-net 和 Share-net，这里我们认为 Share-net 能够与 attention model 更好的结合，所以采用了 attention model

怎么融合多尺度特征信息了？
这里写图片描述
这里我们首先得到权重，再根据权重来融合多尺度特征信息

PASCAL-Person-Part validation set
这里写图片描述
E-Supv: extra supervision The ground truths are downsampled properly during training

这里写图片描述

max-pooling 和 attention model 效果对比：
这里写图片描述

这里写图片描述

PASCAL VOC 2012 test set
这里写图片描述

PASCAL VOC 2012 validation set
这里写图片描述

MS-COCO validation set
这里写图片描述

O天涯海阁O
关注
专栏目录
[Paper Reading] Attention to Scale: Scale-aware Semantic Image Segmentation
C_row的博客
08-02 2170
Background: Multi-scale features对性能的提升是非常大的。做Multi-scale一般是两个思路：skip-net和share-net
深度学习—— Scale-aware Semantic Image Segmentation
weixin_51352656的博客
03-02 841
CVPR2016原论文：Attention to Scale: Scale-aware Semantic image Segmentation 源代码（caffe框架）：http://liangchiehchen.com/projects/DeepLab.html 1.主要内容： 提出了多尺度注意力机制的语义分割网络模型。该网络模型具备两大特点：1，运用了多尺度特征 2，运用了注意力机制。 运用多尺度特征，网络模型能捕获到不同感受野的上下文特征，这些上下文图像特征对于语义分割十分重要。提取多尺度特征的两
论文阅读：Attention to Scale: Scale-aware Semantic Image Segmentation
a486259的博客
08-20 833
论文地址：https://arxiv.org/pdf/1511.03339.pdf发表时间:2016在全卷积神经网络(FCNs)中结合多尺度特征一直是实现语义图像分割最新性能的关键因素。提取多尺度特征的一种常见方法是将多个调整后的输入图像提供给一个共享的深度网络，然后将得到的特征合并起来进行像素级分类。在这项工作中，我们提出了一种注意机制，学习在每个像素位置的多尺度特征。我们采用了一个最先进的语义图像分割模型，我们与多尺度输入图像和注意力模型共同训练它。
[paper] Attention to Scale
AlgoComp
02-19 1759
(CVPR 2016) Attention to Scale: Scale-aware Semantic Image Segmentation Paper: https://arxiv.org/abs/1511.03339
语义分割 - Semantic Segmentation Papers
长风破浪会有时，直挂云帆济沧海
05-23 3万+
Semantic Segmentation Learning a Discriminative Feature Network for Semantic Segmentation - CVPR2018 - Face++ [Paper] Vortex Pooling: Improving Context Representation in Semantic Segmentation - 2018...
CVPR2019/图像翻译：TransGaGa: Geometry-Aware Unsupervised Image-to-Image Translation几何感知的无监督图像到图像的翻译
ssshyeong的博客
06-23 1013
提出了一个新的解纠缠和翻译框架，以解决复杂的对象图像到图像的翻译任务。我们不直接学习图像空间上的映射，而是将图像空间分解为外观空间和几何潜在空间的笛卡尔积。具体地说，我们首先引入几何先验损失和条件VAE损失来鼓励网络学习独立但互补的表示。然后，翻译分别建立在外观和几何空间上。......
视觉注意力机制的发展历程-Attention-Family
CharmsLUO的博客
11-19 2533
目录视觉注意力机制的发展历程-Attention-Family————————————————2016————————————————Attention to Scale-Scale-aware Semantic Image Segmentation(CVPR)————————————————2017————————————————Attention Is All You Need————————————————2018————————————————Graph-Based Global Reasoning
Attention to Scale: Scale-Aware Semantic Image Segmentation论文阅读笔记
ScarecrowLiu的博客
10-31 4519
本篇论文主要介绍了尺度感知的语义图像分割(scale-aware Semantic Image Segmentation) 1.首先，多尺度的特征是提升语义图像分割性能的一个关键因素。 2.提取多尺度的特征主要有两种网络结构：   第一种是：skip-net，第二种是：share-net    (1)skip-net的特点是取网络中多个中间层的特征并合并成一个特征，以实现多尺度的
【Semantic Segmentation】语义分割综述 -- Attention
Arron_hou的博客
09-20 2672
【Semantic Segmentation】语义分割综述 -- AttentionAttention[Attention U-Net] Learning Where to Look for the Pancreas（ MIDL 2018）[PAN] Pyramid Attention Network for Semantic Segmentation (BMVC 2018)[PSANet] Po...
尺度自适应网络的语义图像分割
weixin_47360674的博客
06-21 2091
尺度自适应网络的语义图像分割Semantic Image Segmentation by Scale-Adaptive Networks摘要索引词一．引言二．相关工作A.尺度变化的方法B.融合方法三．可缩放的网络A.问题表述B.网络架构共享网络D.尺度自适应分支E.尺度估算器F.损失设置四． 实验内容A.PASCAL-人-部分五，结论与未来工作 Semantic Image Segmentation by Scale-Adaptive Networks Zilong Huang , Chunyu Wang
Scale-Aware Face Detection阅读笔记
m0_37600149的博客
10-20 1233
https://arxiv.org/pdf/1706.09876.pdf 论文中通过两步来实现多尺度的人脸检测 Face Scale EstimationSingle Scale Detection 首先，估计出图片中存在的人脸的尺度，并且计算出每个尺度的置信度，再选取置信度高的，在这些特定的尺度上对人脸进行检测。这样的方法不用在各个尺度下对人脸进行检测，因此在速度上会比较快。
论文阅读-《Semantic Segmentation with Reverse Attention》
yj_isee的博客
07-22 3245
BMVC 2017 oral code: https://drive.google.com/drive/folders/0By2w_A-aM8Rzbllnc3JCQjhHYnM1.Motivation作者这篇文章的主要目的是为了提高semantic segmentation的网络对于confusion area的预测能力。所谓的confusion area，指的是最终预测的score map上熵值
双注意力机制网络，attention在图像分割领域的进一步优化？
qq_43534932的博客
06-26 2322
前言 在之前的博客中我们将了self-attention，在图像领域中应用大多数基于[H,W]这个维度，也就是图像的空间维度，本篇Dual Attention Network for Scene Segmentation，不仅在空间维度上的attention，也在channel的维度上进行attention。 目前的主流attention机制： 基于空间域的：self-attention，soft/hard attention 基于channel域的：SEnet SKnet 以及ResNest 本篇pape
图像分割（四）—— Is Space-Time Attention All You Need for Video Understanding?
qq_42208244的博客
09-12 663
视频分类基于Transfromer
Self-attention neural architecture search for semantic image segmentation
Acmer_future_victor的博客
07-27 521
本文研究了所有可能维度 {H,W, C,HW, HC, CW, HWC} 的自注意力。然后探索所有可能的 self-attention 的聚合。应用神经架构搜索（NAS）技术来实现最佳聚合。具体来说，精心设计（1）搜索空间和（2）优化方法。对于（1），引入了一个构建块，一个基本的自注意力搜索单元（BSU），它可以对所有维度的自注意力进行建模。并且搜索空间包含in-BSU 和crossBSU 操作。此外，提出了一种注意力图分割方法，可以将计算量减少 1/3。对于（2），应用一种有效的可微优化方法来搜索最优聚合
图像分割论文 Fully Convolutional Networks for Semantic Segmentation 阅读笔记
Cyiano的博客
07-27 3007
图像分割论文 Fully Convolutional Networks for Semantic Segmentation 阅读笔记原文：Fully Convolutional Networks for Semantic Segmentation 作者：Jonathan Long，Evan Shelhamer，Trevor Darrell 下载地址：https://arxiv.org/abs/160
DeepLab：深度卷积网络，多孔卷积 和全连接条件随机场 的图像语义分割 Semantic Image Segmentation with Deep Convolutional Nets, Atro
热门推荐
Taylor Guo
05-04 4万+
深度卷积网络，多孔卷积 和全连接条件随机场 的图像语义分割 DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs 本文的主要任务是深度学习的图像语义分割
关于图像语义分割
Coding
01-29 2210
1、图像分割与图像语义分割的区别 传统的图像分割算法基于无监督学习，不知道分割出来的对象的类别。图像语义分割一般基于深度学习，主要是用CNN，也有个别会用到RNN的；此外，图像语义分割属于监督学习的任务，即在训练时会给出每个像素的类别。 2、图像的密集分类问题 语义分割是个密集分类问题，需给每个像素分类，故语义分割和图像分类的目标有较大差异。为了适应这种差异，人们提出了带洞卷积。带洞卷积在语...
bending reality: distortion-aware transformers for adapting to panoramic semantic segmentation
最新发布
04-06
b'bending reality: distortion-aware transformers for adapting to panoramic semantic segmentation'的中文意思是“扭曲感知变换器：适应全景语义分割的变换器”。它是一种用于全景图像语义分割的算法，利用扭曲...
评论 2
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