Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >论文阅读: 2002.SFNet

论文阅读: 2002.SFNet

作者头像
JNingWei
发布于 2021-12-06 13:49:48
发布于 2021-12-06 13:49:48
5830
举报
文章被收录于专栏:JNing的专栏JNing的专栏

2002.10120:Semantic Flow for Fast and Accurate Scene Parsing

创新点

  • FAM(Flow Alignment Module,流对齐模块)。
    • 受光流的启发,提出一种语义流对齐的方法,可以解决在使用双线性插值进行上采样时所出现的对不齐问题。
      • 低分辨率的高级特征图上的语义信息很好地流向了高分辨率的低级特征图中。
      • 通过丢弃空洞卷积来减少计算开销并利用流对齐模块来丰富低层特征的语义表示,使网络能够在语义分割精度和运行时间效率之间实现了最佳的权衡。
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2021/09/06 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
ECCV2020 oral | 基于语义流的快速而准确的场景解析
该论文提出了一种有效且快速的场景解析方法。通常,提高场景解析或语义分割性能的常用方法是获得具有强大语义表示的高分辨率特征图。广泛使用的有两种策略:使用带孔(空洞)卷积或特征金字塔进行多尺度特征的融合,但会有计算量大、稳定性的考验。
AI算法修炼营
2020/07/07
1.1K0
论文阅读学习 - (DeeplabV3+)Encoder-Decoder with Atrous Separable Convolution
DeepLabV3 采用多个不同比例的并行 atrous conv 来挖掘不同尺度的上下文信息,记为 ASPP.
AIHGF
2019/02/27
3K0
Decoders对于语义分割的重要性 | CVPR 2019
今天为大家推荐一篇 CVPR2019 关于语义分割的文章 Decoders Matter for Semantic Segmentation: Data-Dependent Decoding Enables Flexible Feature Aggregation,该文章提出了一种不同于双线性插值的上采样方法,能够更好的建立每个像素之间预测的相关性。得益于这个强大的上采样方法,模型能够减少对特征图分辨率的依赖,能极大的减少运算量。该工作在 PASCAL VOC 数据集上达到了 88.1% 的 mIOU,超过了 DeeplabV3 + 的同时只有其 30% 的计算量。
AI科技大本营
2019/05/06
9970
Decoders对于语义分割的重要性 | CVPR 2019
Mask-RCNN最详细解读
最近在做一个目标检测项目,用到了Mask RCNN。我仅仅用了50张训练照片,训练了1000步之后进行测试,发现效果好得令人称奇。就这个任务,很久之前用yolo v1训练则很难收敛。不过把它们拿来比当然不公平,但我更想说的是,mask RCNN效果真的很好。
小草AI
2019/06/02
10.5K1
Yolo11改进策略:上采样改进|CARAFE,轻量级上采样|即插即用|附改进方法+代码
https://arxiv.org/pdf/1905.02188 特征上采样是许多现代卷积网络架构(例如特征金字塔)中的关键操作。其设计对于诸如目标检测和语义/实例分割等密集预测任务至关重要。在本文中,我们提出了内容感知特征重组(CARAFE),这是一种通用、轻量级且高度有效的算子,以实现这一目标。CARAFE具有几个吸引人的特性:(1)大视野。与仅利用子像素邻域的前期工作(例如双线性插值)不同,CARAFE可以在大感受野内聚合上下文信息。(2)内容感知处理。与对所有样本使用固定核(例如反卷积)不同,CARAFE支持针对实例的内容感知处理,可以即时生成自适应核。(3)轻量级且计算速度快。CARAFE引入的计算开销很小,并且可以轻松集成到现代网络架构中。我们在目标检测、实例/语义分割和图像修复的标准基准上进行了综合评估。CARAFE在所有任务中都表现出一致且显著的增益(分别为、、、),且计算开销可忽略不计。它有望成为未来研究的强大构建块。代码和模型可在https://github.com/open-mmlab/mmdetection获取。
AI浩
2024/11/11
9810
Yolo11改进策略:上采样改进|CARAFE,轻量级上采样|即插即用|附改进方法+代码
《ICNet》论文阅读及源码实现
香港中文大学,腾讯优图,商汤科技联合发表的一篇用于语义分割的论文。ICNet是一个基于PSPNet的实时语义分割网络,设计目的是减少PSPNet推断时期的耗时,论文对PSPNet做了深入分析,在PSPNet的基础上引入级联特征融合模块,实现快速且高质量的分割模型。论文报告了在Cityscape上的表现。关于PSPNet请看昨天的推文。
BBuf
2019/12/09
1.3K0
用超分辨率扛把子算法 ESRGAN,训练图像增强模型
内容一览:通过硬件或软件方法,提高原有图像的分辨率,让模糊图像秒变清晰,就是超分辨率。随着深度学习技术的发展,图像超分辨率技术在游戏、电影、医疗影像等领域的应用,也愈发广泛。
HyperAI超神经
2021/05/27
1.8K0
用超分辨率扛把子算法 ESRGAN,训练图像增强模型
ICCV2019 | 腾讯优图13篇论文入选,其中3篇被选为Oral
两年一度的国际计算机视觉大会 (International Conference on Computer Vision,ICCV) 将于 2019 年 10 月 27 日 - 11 月 2 日在韩国首尔举行,近日论文收录名单揭晓,腾讯优图共有13篇论文入选,居业界实验室前列,其中3篇被选做口头报告(Oral),该类论文仅占总投稿数的4.3%(200/4323)。
CV君
2019/12/27
5030
论文阅读: 2005.U2Net
2005.09007:U2-Net: Going Deeper with Nested U-Structure for Salient Object Detection
JNingWei
2021/12/06
3150
论文阅读: 2005.U2Net
超分辨率 | 综述!使用深度学习来实现图像超分辨率
今天给大家介绍一篇图像超分辨率邻域的综述,这篇综述总结了图像超分辨率领域的几方面:problem settings、数据集、performance metrics、SR方法、特定领域应用以结构组件形式,同时,总结超分方法的优点与限制。讨论了存在的问题和挑战,以及未来的趋势和发展方向。
AI算法修炼营
2020/05/26
7K0
超分辨率 | 综述!使用深度学习来实现图像超分辨率
ECCV2020 | EfficientFCN:语义分割中的整体引导解码器,巧妙捕获上下文信息
论文地址:http://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123710001.pdf
AI算法修炼营
2020/08/25
1.1K0
ECCV2020 | EfficientFCN:语义分割中的整体引导解码器,巧妙捕获上下文信息
腾讯优图13篇论文入选ICCV2019,涉及2D图像多视图生成等研究
腾讯旗下顶级视觉研发平台腾讯优图,官宣有13篇论文入选,居业界实验室前列,其中3篇被选做口头报告(Oral),该类论文占总投稿数的4.3%(200/4323)。
量子位
2019/10/31
4250
腾讯优图13篇论文入选ICCV2019,涉及2D图像多视图生成等研究
SRCNN:基于深度学习的超分辨率开山之作回顾
本文提供了与SRCNN论文的总结和回顾,如果你对于图像的超分辨率感兴趣,一定要先阅读这篇论文,他可以说是所有基于深度学习的超分辨率模型的鼻祖
deephub
2022/06/04
5530
SRCNN:基于深度学习的超分辨率开山之作回顾
ECCV 2020 Oral | 可逆图像缩放:完美恢复降采样后的高清图片
本文介绍的是ECCV 2020 Oral论文《Invertible Image Rescaling》,论文作者来自北大、微软亚洲研究院和多伦多大学。
小白学视觉
2022/04/06
6240
ECCV 2020 Oral | 可逆图像缩放:完美恢复降采样后的高清图片
《DeepLab V2》论文阅读
昨天的推文《DeepLab V2》组织方式很不清晰,没有将关键结论以及空洞卷积这种方法的优点讲出来,所以重新组织了一下这篇论文的解读,希望可以带来不一样的体验。
BBuf
2019/12/09
8960
《SegNet》论文阅读
2015年,Segnet模型由Vijay Badrinarayanan, Alex Kendall, Roberto Cipolla发表, 在FCN的语义分割任务基础上,搭建编码器-解码器对称结构,实现端到端的像素级别图像分割。
BBuf
2019/12/04
1K0
《SegNet》论文阅读
U-net深度学习遥感图像分割原理与解剖
U-Net是一个基于卷积神经网络(CNN)的端到端图像分割模型,其主要特点是其对称的编码器-解码器结构。编码器负责提取图像特征,而解码器则重建并生成分割后的图像。
自学气象人
2023/06/21
6.6K0
U-net深度学习遥感图像分割原理与解剖
YoloV8改进策略:上采样改进:CARAFE:轻量级上采样|即插即用|附改进方法+代码
https://arxiv.org/pdf/1905.02188 特征上采样是许多现代卷积网络架构(例如特征金字塔)中的关键操作。其设计对于诸如目标检测和语义/实例分割等密集预测任务至关重要。在本文中,我们提出了内容感知特征重组(CARAFE),这是一种通用、轻量级且高度有效的算子,以实现这一目标。CARAFE具有几个吸引人的特性:(1)大视野。与仅利用子像素邻域的前期工作(例如双线性插值)不同,CARAFE可以在大感受野内聚合上下文信息。(2)内容感知处理。与对所有样本使用固定核(例如反卷积)不同,CARAFE支持针对实例的内容感知处理,可以即时生成自适应核。(3)轻量级且计算速度快。CARAFE引入的计算开销很小,并且可以轻松集成到现代网络架构中。我们在目标检测、实例/语义分割和图像修复的标准基准上进行了综合评估。CARAFE在所有任务中都表现出一致且显著的增益(分别为、、、),且计算开销可忽略不计。它有望成为未来研究的强大构建块。代码和模型可在https://github.com/open-mmlab/mmdetection获取。
AI浩
2024/11/07
6940
YoloV8改进策略:上采样改进:CARAFE:轻量级上采样|即插即用|附改进方法+代码
DeepLab、DeepLabv3、RefineNet、PSPNet…你都掌握了吗?一文总结图像分割必备经典模型(二)
 机器之心专栏 本专栏由机器之心SOTA!模型资源站出品,每周日于机器之心公众号持续更新。 本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务,并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA!模型资源站(sota.jiqizhixin.com)即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。 本文将分 3 期进行连载,共介绍 19 个在图像分割任务上曾取得 SOTA 的经典模型。 第 1 期:FCN、ReSeg、U-Net、ParseNet、DeepMask、S
机器之心
2023/05/16
1.5K0
DeepLab、DeepLabv3、RefineNet、PSPNet…你都掌握了吗?一文总结图像分割必备经典模型(二)
AI自助帮你换背景,超强实时人像扣图算法开源啦!
谈到人像抠图想必大家都不陌生。在影视剪辑、直播娱乐、线上教学、视频会议等场景中都有人像分割的身影,它可以帮助用户实时、精准地将人物和背景精准识别出来,实现更精细化的人物美颜、背景虚化替换、弹幕穿人等,进一步提升视觉应用体验。
用户1386409
2021/09/06
2.5K0
推荐阅读
相关推荐
ECCV2020 oral | 基于语义流的快速而准确的场景解析
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档