展开

关键词

U^2 Net分割抠图

简介这是一篇关于的文章,作者是秦雪彬大佬,CVPR2019 BASNet的作者。 文章是关于的,但其效果突出被用于分割、抠图等领域,也取得了卓越的效果,详情参见GitHub 不断有新的应用出现。文章提出了一种两级嵌套的U-Net结构的网络:U^2 Net。 该网络优点:1.提出新的RSU(ReSidual U-blocks)模块,融合不同尺度感受野的特征,来捕捉不同尺度的上下文信息;2.基于RSU模块的池化(pooling) 操作,在不增加计算成本的前提下 上图为普通卷积block,Res-like block,Inception-like block,Dense-like block和Residual U-blocks的对比图,明可以看出Residual **采用的是encoder-decoder的结构,下采样使用了大量的池化层,解码上采样使用的是双线插值。

11210

全局对比度的图像算法

概念? 就是可以快速引起你注意的对象或者物体,在图像或者视频中的结果往往是图像或者视频中对象,在神经学科中被描述为注意力机制,目的是聚焦或者缩小看到的对象场景重要部分,可以自动处理图像中对象表示 可以让对象,图像分割等算法更加聪明与高效的工作。 RC详解除了对比度之外,区域与空间关系在中也扮演重要作用,高对比邻近周围通常是区域一个很强的证据,HC是计算像素级别的值,计算开销比较大,基于区域对比度分析的通过定义每个区域与其他区域的相似度权重得到区域值 ,完成

1K40
  • 广告
    关闭

    11.11智惠云集

    2核4G云服务器首年70元,还有多款热门云产品满足您的上云需求

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    仅有 100k 参数的高效方法

    作者 | 南开大学 程明明、依图科技 颜水成译者 | 刘畅 责编 | Carol封图 | CSDN 下载自视觉中国目标模型通常需要花费大量的计算成本才能对每个像素进行精确的预,因此这使得其几乎不适用于低功耗的设备 利用gOctConv,本文构造了一个非常轻量的模型,即CSNet,该模型在公开的基准数据集上,仅使用大型模型约0.2%的参数(100k),即可获得相同的能。源代码会在文末公开。 引言目标(SOD)是一项非常重要的计算机视觉任务,它在图像索,视觉跟踪和弱监督语义分割中有多种应用。 2.实验结果图5示了使用本文提出的轻量级CSNet进行的可视化结果。3.固定通道数 VS 可学习的通道数特征提取器仅由ILBlocks组成。 本文建立了一个非常轻量级的模型CSNet,该模型在公开的物体基准上,相较于大模型,可在仅使用约0.2%参数(100K)的情况下,保持相似的能。

    47940

    CVPR2020 | 目标,多尺度信息相互融合

    本文是收录于CVPR2020的有关目标的文章,主要的创新点在特征聚合操作,可以迁移到其他需要融合深层和浅层特征点的任务中。代码已开源并在不断维护中,值得学习! 论文地址:https:arxiv.orgpdf2007.09062.pdf代码地址:https:github.comlartpangMINet基于深度学习的目标方法取得了很大的进步,然而,物体的尺度变化和类别的未知一直是目标任务的挑战 简介物体(Salient object detection ,SOD)旨在区分视觉上最明的区域。 在数据驱动的深度学习方法的帮助下,它正在快速增长,并已应用于许多计算机视觉领域,例如视觉跟踪,图像索,非照片级渲染,4D,无参考的合成图像质量评估等。 另外,考虑到卷积运算固有的局部和交叉熵函数的像素级特征,很难实现物体的均匀提取。?对于第一个问题,现有方法的主要解决方法是逐层整合较浅的特征。

    1.1K40

    干货 | 视频目标(文末附有完整源码)

    近年来引起了广泛的研究兴趣。这种日益流行的原因在于在各种视觉任务(如图像分割、目标、视频摘要和压缩等)中有效地使用了这些模型。模型大致可分为两类:人眼注视预目标。 相 关 工 作1、在计算机视觉中得到了广泛的研究,其模型一般可分为视觉注意预目标。前几种方法:L. Itti, C. Koch, E. 在本次讲解中中,我们的目标是视频中的突出目标区域。图像已经被广泛的研究了几十年,大多数的方法都是由众所周知的自下而上的策略驱动的。 近年来,的边界已经扩展到捕获相关图像视频之间的共同,用视频序列或场景理解推断事件。然而,上述方法与传统的方法存在差异,特别是考虑到它们的目标和核心困难。W. 视频框架概述在下面详细介绍之前,我首先对深度视频模型进行概述。在较高的层次上,将视频帧输入到神经网络中,网络依次输出映射,其中较亮的像素表示更高的值。

    2.8K11

    CVPR2019 | 29篇目标相关论文汇总(含2D3D目标等)

    JunYoung Gwak, Amir Sadeghian, Ian Reid, Silvio Savarese论文链接:https:arxiv.orgabs1902.09630论文解读:CVPR2019 | 目标新文 Chen Change Loy, Dahua Lin论文链接:https:arxiv.orgabs1901.03278论文解读:港中大-商汤联合实验室等提出:Guided Anchoring: 物体器也能自己学 :FSAF一作直播:CVPR2019 专题直播 | CMU 诸宸辰:基于 Anchor-free 特征选择模块的单阶目标 ? 15、Bounding Box Regression with Uncertainty for Accurate Object Detection(目标边界框回归损失算法)作者:Yihui He, Shi, Huajun Feng, Wanli Ouyang, Dahua Lin论文链接:https:arxiv.orgabs1904.02701 解读:浙大和商汤等提出:Libra RCNN目标新算法

    91321

    AAAI 2020 | 用渐进打磨获得最佳的目标结果

    摘要:图像的特征对于目标非常重要。现有的方法主要集中在设计复杂的结构以合并多级特征并滤除混乱的特征。 这篇论文提出了一个新的渐进式特征打磨网络(PFPN),通过重复使用多个特征打磨模块(FPM)可以出具有精细细节的目标,且无需任何后处理。 1 介绍&贡献 目标旨在提取出图像中最吸引人的区域,已经在计算机视觉中被广泛应用,如视频压缩,视觉跟踪以及图像索。主要依赖于图像语义特征,包括低级特征和高级特征。 这篇文章的贡献如下:本文提出了一种用于目标的渐进式特征打磨网络以递归方式逐步完善特征。对于每一个打磨步骤,论文提出FPM来精炼特征,从而保留特征图的尺寸和层次结构。 2 方 法 2.1 整体结构用于目标的渐进式特征打磨网络的整体结构如Figure2所示。?首先,输入图像被喂到骨干网络中提取出多个尺度的特征。论文中选择了ResNet-101做骨干网络。

    28210

    U²-Net:使用物体来生成真实的铅笔肖像画

    自用于目标的新的深度网络架构开源以来,该项目的GitHub页面在三天内收到了超过2400颗星。 在计算机视觉领域中,从自然场景中和分割视觉上最吸引人的目标的过程称为目标(SOD)。 然而,这些骨干网络最初是为图像分类任务而建立的,因此它们提取代表语义意义的特征,而不是对目标至关重要的局部细节或全局参考信息。这样的网络也往往需要在ImageNet上进行低效的预训练。 提出的U2-Net结构的图解 基于RSU,研究人员开发了U²-Net,一种用于目标的新型堆叠U形结构。 为了训练U²-Net,研究人员使用最大、最常用的目标数据集DUTS-TR,水平翻转其图像,共获得21,106张训练图像。 采用DUTOMRON、DUTS-TE、HKU-IS、ECSSD、PASCAL-S和SOD等6个目标基准公共数据集进行评估。?

    18510

    IJCAI 2021 | 面向睡眠阶段分类的多模态波形网络

    该论文提出了一种多模态波形模型,将时间序列分类问题转化为问题并应用于睡眠阶段分类。提出模型不依赖于时频特征提取,可以直接从原始信号中探波形服务于高精度的睡眠时间序列分类。 结构流,以生理信号中的波形,这受启发于CV中流行的模型?-Net。提出了一个多尺度的睡眠过渡规则提取模块,它是由多个不同感受野的空洞卷积组成的,用于捕获多尺度规则。 多模态波形网络SalientSleepNet的总体结构如图3所示,网络的五个关键点如下:1)双流?结构来捕捉EEG和EOG模态中的波形。 总体而言,我们的模型可以到这些波形,说明我们的模型在一定程度上是可解释的。?结论本文提出了一种用于睡眠分期的多模态波形网络。我们的模型是将? -Net模型从视觉领域迁移进睡眠分期领域的首次尝试。SalientSleepNet不仅可以有效地和融合多模态实验数据中的波型,还可以提取睡眠期之间的多尺度过渡规则。

    14740

    BiANet:用于快速高效实现RGB-D数据目标的双边注意力模型

    简介:现有的大多数RGB-D物体(SOD)方法通常集中关注于深度图像突出的前景区域。然而,忽略了背景也可以为SOD方法提供重要的信息。 2)预上采样:从高层特征预的初始图在低分辨率下是粗糙的,但对于预前景和背景的初始位置是有用的,因为它包含丰富的语义信息。 为了细化基本映射S6(由F6得到),在BAM的帮助下,使用具有更多细节的低级特征F5来预高级预和地面真值(GT)之间的残差分量。 我们将预的残差分量R5添加到上采样的高级预S6中,并得到一个精细的预S5等,即,?其中U(·)表示上采样。最后,我们的BiANet得到了S=σ(S1)的图,其中σ(·)是激活函数。 在相同的特征提取操作后,PR是通过3×3核输出单通道残差映射的预层。得到Ri后即可通过上述方程得到细化的预Si。自顶向下预上采样是一个逐渐提高对象分辨率的过程。会导致不确定的粗边。

    17020

    ECCV2020 | SOD100K:超低参数量的高效目标算法,广义OctConv和动态权重衰减

    这篇文章收录于ECCV2020,是一篇超高效的目标的算法,仅有100K的参数量。主要创新点有:对Octave降频卷积进行了改进使其支持多尺度特征输入;提出了动态权重衰减方法用于训练环节。 论文地址:https:arxiv.orgpdf2003.05643.pdf代码地址:https:github.comMCG-NKUSOD100K目标模型通常需要大量的计算成本才能对每个像素进行精确的预 同时,利用gOctConv建立了一个非常轻量级的模型CSNet,该模型在公开的基准数据集上,仅使用大型模型约0.2%的参数量(100k),获得可比较的能。 简介目标(SOD)是一项重要的计算机视觉任务,在图像索、视觉跟踪和弱监督语义分割中具有多种应用。 实时比较?更多细节可参考论文原文。参考: 干货!仅有 100k 参数的高效方法 即插即用新卷积OctConv:提升CNN能、速度翻倍

    25410

    【RGB-D目标】开源 | 川大&南开&武汉大学--Siamese架构适用于多模态任务,鲁棒和泛化强!

    ,中国电子科技大学论文名称:Siamese Network for RGB-D Salient Object Detection and Beyond原文作者:Keren Fu内容提要现有的RGB-D目标 在观察到RGB和depth模式在区分的目标时实际上呈现某些共后,一种新的联合学习和密集合作融合(JL-DCF)架构被设计,用于通过共享的网络中枢从RGB和depth输入中学习,称为Siamese架构 JL模块通过Siamese网络利用跨模态共,提供了健壮的特征学习,而DCF模块则用于发现互补特征。使用五种常用指标进行了实验,结果表明,所设计的框架具有良好的鲁棒和泛化。 同时,JLDCF在七个具有挑战的数据集上提高了SOTA模型的平均2.0% (F-measure)。 此外,我们表明,JL-DCF很容易适用于其他相关的多模态任务,包括RGB-T(热红外)SOD和视频SOD (VSOD),能SOTA。

    35330

    何恺明最新论文:VoteNet 3D目标,华为提出:基于NAS的人脸识别算法,程明明等开源:PoolNet实时目标

    三篇论文缩写如下:VoteNet (3D目标)NAS-ABC (人脸识别)PoolNet (实时目标)VoteNet《Deep Hough Voting for 3D Object Detection 2D目标严重影响。 为了利用2D器中的架构,它们经常将3D点云转换为常规网格,或者依赖于2D图像中的来提出3D框。很少有人尝试直接点云中的物体。 mmcheng.netpoolnet作者团队:南开大学&新加坡国立大学&深圳大学PS:程明明三作注:2019年04月23日刚出炉的paperAbstract:我们通过研究如何扩展卷积神经网络中池化(pooling)的作用来解决目标问题 这两个基于池化的模块允许逐步细化高级语义特征,从而产生细节丰富的映射。实验结果表明,我们提出的方法可以更精确地定位具有锐化细节的对象,因此与先前的现有技术相比改善了能。

    1.5K20

    统计学_验综述

    验概述关于统计的一些问题关于独立关于自由度参数验与非参数验概述联系与区别优缺点非参数适用情况参数验正态总体均值的假设验正态总体方差的假设验二项分布总体的假设实验非参数验单样本非参数验卡方验适配度验列联表独立验双样本分布关系 符号秩验多配对样本的非参数验Friedman验Cochran Q验Kendall协同系数验参考资料验概述验,即使用样本的数据去推断关于群体数据的描述是否正确。 设立虚无假说与对立假说根据前提条件,设立定统计量,找到符合统计量的分布设立型一误差(水准αalpha)确定弃却域计算定统计量,并与弃却域作对比,计算p值得到结论关于统计的一些问题关于独立比如研究血型与格是否独立 ,如果格a的血型比例与格b的血型比例相同,那么统计上独立。 关于自由度定义:构成样本统计量的独立样本观值的数目或自有变动的样本观值的数目,用df表示。 在计算估计量的统计量时,引进一个统计量就会减少一个自由度。

    90030

    如何遗传相关的:LRT验操作方法

    软件实现遗传相关计算3.1 数据格式前三列是系谱,有3个状:y1, y2, y3 , 想要计算y1和y3的遗传相关,并用LRT ? 3.2 计算加方差逆矩阵 ? 3.3 构建模型LRT验中,需要构建两个模型,一个考虑加协相关的模型(us矩阵),一个不考虑加协相关的模型(diag矩阵),然后使用LRT验做分析,查看,即为相关的分析。 软件实现遗传相关LRT验定义: ? 代码实现: ? 结果可见,遗传相关不。5. 示例代码汇总软件:asreml4-r里面的vpredict函数可以替换pin函数,里面的lrt.asreml可以进行两模型的LRT验。 trait_y3:y3 289.76086 399.43870 0.7254201 P 0.2# 遗传相关的lrt.asreml(mod1,mod2)# Likelihood ratio test

    72520

    开源 | CVPR2020 | AP-loss提高单阶目标器的

    github.comcccornap-loss.来源:上海交通大学论文名称:Towards Accurate One-Stage Object Detection with AP-Loss原文作者:Kean Chen单阶段目标器存在严重的前 、后目标不平衡问题,主要是由于单阶段目标器通过同时优化分类-损失和定位-损失来训练,而anchor的数量很大造成的。 为解决这一问题,本文提出了一种新的框架,将单级器中的分类任务替换为排序任务,并采用平均精度损失(AP-loss)来处理排序问题。由于AP-loss的不可微和非凸,使得APloss不能直接优化。 本文从理论和实证两方面验证了该算法的良好收敛。实验结果表明,在不改变网络结构的情况下,基于AP-loss的单阶段器在不同基准上的分类损耗有能改进。

    74130

    【目标】开源 | 标签解耦框架(LDF)应用到目标中,能SOTA!

    中国科学院大学,鹏程实验室,诺亚方舟实验室论文名称:Label Decoupling Framework for Salient Object Detection原文作者:Jun Wei内容提要为了获得更精确的 虽然已经取得了的进展,但是我们观察到,像素越靠近边缘,预就越困难,因为边缘像素的分布非常不平衡。 将两个互补的分支融合在一起预映射,然后利用映射对两个分支进行再次细化。这种迭代精化过程有助于获得逐渐精确的图预,促进分支之间的迭代信息交换。

    22420

    IoU-aware的目标提高定位精度

    IoU(交并比),并基于此与分类分数的乘积作为置信度,用于NMS(非极大抑制)和COCO AP计算,提高了目标的定位精度。 比如:Softer-NMS:CMU&旷视最新论文提出定位更加精确的目标算法 作者认为IoU是直接反应定位准不准的直接指标,可以在目标模型的分类和定位任务的基础上添加IoU预的任务,可以在一定程度上反应定位置信度 作者是在明的一阶段目标算法RetinaNet基础上做的改进,如下图: ?在包围框回归分支添加一个并行的预IoU的任务。 相关的损失函数数学描述: ? 可见,相比于基线RetinaNet,取得了的AP提升,提升在1.0%∼1.6%之间。在PASCAL VOC数据集上与RetinaNet的比较结果:? 同样取得了的AP提升,AP 提升在1.1%∼2.2%之间。这篇文章尽管思路比较简单,但改进还是明的,希望对其他目标算法也有效,期待有更多实验结果出来。

    49020

    学习光场目标的协同注意

    我们提出了一个新的协同注意网络(SA-Net),通过建立具有先进注意机制的多模态特征之间的协同效应来解决光场目标问题。 我们的 SA-Net 通过 3D 卷积神经网络利用焦点堆栈的丰富信息,利用两个级联的协同注意模块解码多模态光场数据的高级特征,并逐步使用有效的特征融合模块预图。 对三个广泛使用的基准数据集进行的广泛实验表明,我们的 SA-Net 优于 28 种最先进的模型,充分证明了其有效和优越。我们的代码将公开提供。 学习光场目标的协同注意.pdf

    11241

    基于尺寸划分的RGB物体方法

    简介:为了解决现有的物体方法在小对象或大对象方面比较困难这一问题,该文提出了一种大小划分和征服网络(SDCNet),用以分别学习不同大小的突出对象的特征,以便提高能。 该文提供了一个有效的思路,将数据集划分为不同的大小分类,来解决对象之间巨大的尺寸偏差,从而提高了映射的准确。该文比较了所提出的方法和14种最先进的方法在五个基准数据集。 SIM生成二值化的粗糙推理,并通过计算SOP(突出的对象比例)得到突出对象的预尺寸范围。 总结:该文致力于解决大小差异的目标。首先,划分了基准数据集中突出对象的大小分布,并训练了一个SIM来使用逐像素计算来执行大小推断。其次,使用一个由上到下的多尺度特征融合网络作为基本结构。 实验结果表明,该方法对小尺寸物体的能有了的提高。该方法在三个评估指标下在五个基准数据集中获得最先进的能。

    12310

    相关产品

    • 检测工具

      检测工具

      检测工具是腾讯云为广大开发者、站长提供的一种免费检测工具服务,其中包括:域名检测工具 和苹果ATS检测工具。腾讯云将陆续提供更多实用检测工具,敬请期待……

    相关资讯

    热门标签

    活动推荐

      运营活动

      活动名称
      广告关闭

      扫码关注云+社区

      领取腾讯云代金券