Rethinking场景分析中的空间池化 | Strip Pooling(CVPR2020,何凯明)
点击上方“3D视觉工坊”,选择“星标”
干货第一时间送达
原文链接:https://arxiv.org/abs/2003.13328v1
代码链接:https://github.com/Andrew-Qibin/SPNet
主要思想和Contributions
Spatial pooling在捕获像素级预测任务(如场景解析)的long-range contextual信息方面已被证明是非常有效的。本文在传统的N×N型Spatial pooling的基础上,提出了一种考虑狭长核(1×N或N×1)的strip pooling策略,对Spatial pooling的形成进行了重新思考。基于strip pooling,进一步研究了Spatial pooling体系结构设计,本文的主要贡献:
1)引入了一个新的strip pooling模块,使backbone网络能够有效地模拟long-range依赖关系;
2)提出了一种以多种Spatial pooling为核心的新型模块MPM,并构建了SPNet;
3)系统地比较了所提出的strip pooling和传统Spatial pooling技术的性能;
这两种新的基于pooling的模块都是轻量级的,可以作为现有场景解析网络中的一个有效的即插即用模块。在ADE20K和CityScapes上进行的大量实验表明,本文的方法达到了SOTA。
网络结构
1、Strip pooling(SPM)
1. 如下图所示,使用Hx1和1xW尺寸的条状池化核进行操作,对池化核内的元素值求平均,并以该值作为池化输出值。
2. Hx1和1xW池化核处理后,使用1D Conv对两个输出feature map分别沿着左右和上下进行扩容,如下图所示,扩容后两个feature map尺寸相同,进行fusion(element-wise上的add)。
3. 采用element-wise multiplication的方式对原始数据和sigmoid处理后的结果进行处理,至此,strip pooling完成,输出结果。
2、MPM(Mixed Pooling Module)
这是本文独立于SPM之外的另外一个模块,具体来说,在每个子模块之前,首先是1×1卷积层用于channel缩减,如下图所示,两个子模块的输出串联在一起,然后送入另一个1×1卷积层进行channel扩展。
3、SPNet
论文基于SPM和MPM模块搭建了一个网络:SPNet,以残差网络作为backbone,详细结构请参考原文。
实验结果
论文在ADE20K、Cityscapes和Pascal Context数据集上进行了实验。
上述内容,如有侵犯版权,请联系作者,会自行删文。
推荐阅读:
吐血整理|3D视觉系统化学习路线
那些精贵的3D视觉系统学习资源总结(附书籍、网址与视频教程)
超全的3D视觉数据集汇总
大盘点|6D姿态估计算法汇总(上)
大盘点|6D姿态估计算法汇总(下)
机器人抓取汇总|涉及目标检测、分割、姿态识别、抓取点检测、路径规划
汇总|3D点云目标检测算法
汇总|3D人脸重建算法
那些年,我们一起刷过的计算机视觉比赛
总结|深度学习实现缺陷检测
深度学习在3-D环境重建中的应用
汇总|医学图像分析领域论文
大盘点|OCR算法汇总
重磅!3DCVer-知识星球和学术交流群已成立
3D视觉从入门到精通知识星球:针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕,更有各类大厂的算法工程人员进行技术指导,700+的星球成员为创造更好的AI世界共同进步,知识星球入口:
学习3D视觉核心技术,扫描查看介绍,3天内无条件退款
圈里有高质量教程资料、可答疑解惑、助你高效解决问题
欢迎加入我们公众号读者群一起和同行交流,目前有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流等微信群,请扫描下面微信号加群,备注:”研究方向+学校/公司+昵称“,例如:”3D视觉 + 上海交大 + 静静“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。
▲长按加群或投稿
Rethinking场景分析中的空间池化 | Strip Pooling(CVPR2020,何凯明)相关推荐
- 论文:CVPR2020 | Strip Pooling:语义分割新trick,条纹池化取代空间池化
论文链接:https://arxiv.org/abs/2003.13328v1 代码链接:https://github.com/Andrew-Qibin/SPNet 从之前语义分割的研究事实证明,空间 ...
- 双线性池化_卷积神经网络中的各种池化操作
池化操作(Pooling)是CNN中非常常见的一种操作,Pooling层是模仿人的视觉系统对数据进行降维,池化操作通常也叫做子采样(Subsampling)或降采样(Downsampling),在构建 ...
- 【论文笔记】ASTPN注意力空间池化网络
Jointly Attentive Spatial-Temporal Pooling Networks for Video-based Person Re-Identification Jointly ...
- 比空间池化更好的条带池化方法
本文由新加坡国立大学,Oxford,南开大学联合提出. 背景:空间池化在捕获用于场景分析等像素级预测任务的远程上下文信息方面非常有效. 传统池化:规则形状N×N的常规空间池化 本文的方法:引入一种称为 ...
- 卷积神经网络中的各种池化操作
参考:https://www.cnblogs.com/pprp/p/12456403.html 池化操作(Pooling)是CNN中非常常见的一种操作,Pooling层是模仿人的视觉系统对数据进行降维 ...
- cnn中关于平均池化和最大池化的理解
cnn中关于平均池化和最大池化的理解 接触到pooling主要是在用于图像处理的卷积神经网络中,但随着深层神经网络的发展,pooling相关技术在其他领域,其他结构的神经网络中也越来越受关注. 一个典 ...
- 池化层(pooling layer) 感受野(Receptive Field) 神经网络的基本组成
目录 (1)本文涉及的函数 (2)池化层 (3)感受野 (4)代码示例(含注释) 承接上两篇博客:卷积层(空洞卷积对比普通卷积).激活函数层 (1)本文涉及的函数 import torch impor ...
- CNN(卷积层convolutional layer,激励层activating layer,池化层pooling,全连接层fully connected)
CNN产生的原因:当使用全连接的神经网络时,因为相邻两层之间的神经元都是有边相连的,当输入层的特征纬度非常高时(譬如图片),全连接网络需要被训练的参数就会非常多(参数太多,训练缓慢),CNN可以通过训 ...
- CNN基础知识——池化(pooling)
概述 池化过程在一般卷积过程后.池化(pooling) 的本质,其实就是采样.Pooling 对于输入的 Feature Map,选择某种方式对其进行降维压缩,以加快运算速度. 两种主要池化方式 最大 ...
最新文章
- ios6:新特征介绍
- 自学it18大数据笔记-第三阶段Spark-day04——会持续更新……
- C# 操作redis
- Mybatis like查询的写法--转载
- div+css盒子居中
- 在eclipse中运行工程时 出现出现ConnectionProperties 的解决方法
- 微服务架构下,解决数据一致性问题的实践 2
- 比亚迪汉鸿蒙系统测评_华为正式进军汽车领域!鸿蒙OS车机系统加持:帮助更多车企quot;造好车quot;...
- 数字带通滤波器c语言程序,C语言编写FIR数字低通滤波器
- date 减去固定时长_javascript – 从Date对象减去日/月/年
- python内置json模块_python的常用内置模块之序列化模块json
- mysql性能优化的最佳20条经验_MySQL性能优化的最佳20+条经验
- vue2.0环境搭建
- Python按页拆分Word文档
- css设置logo图片大小,修改ecshop网站logo图片尺寸大小
- 网易校招测试岗位2018
- JavaEE个人学习总结
- 安装dhcp服务器虚拟2012,windows server 2012 dhcp服务器安装
- JVM系列-第4章-虚拟机栈
- JDOM和XPATH薛谷雨