Highly Efficient Natural Image Matting
Highly Efficient Natural Image Matting
文章可用(可尝试)创新点
- 使用OCBlock代替传统卷积
- ENA结构(非局部注意、长短注意操作)
提出问题:
使用深度学习进行matting存在两个问题:
- 依靠用户提供的trimap。
- 模型尺寸过大。
针对上述问题,提出了一个轻量级的trimap-free网络,该网络使用了两阶段的框架:
- trimap生成阶段:分割网络(SN)被设计来捕获足够的语义,并将像素分为未知区域、前景区域和背景区域;内包含跨层融合模块(CFM),使SN可以有效地利用多尺度特征,且计算量较小。
- 细化阶段:Matting Refine Network(MRN)旨在捕捉详细的纹理信息并回归精确的alpha值。MRN中的有效非局部注意模块(ENA)可以有效地建模不同像素之间的相关性,并帮助回归高质量的α值。
结论:模型参数344k,速度未提及。
注意点:
- 使用OCBlock
- CFM部分使用通道注意力机制(我们直接将底层特征En1-2与高层特征En1-4融合,将高层语义信息传播到底层。由于不同的特征通道在高层响应不同的语义,不区分对待所有通道是不明智的。为了减少不相关语义信息的干扰,我们在En1-4上使用通道注意力,为对matting任务更重要的通道分配更大的权重。通道注意的操作具有较低的时间复杂度。因此,它需要的计算成本可以忽略不计。)
- Matting Refine Network(MRN)阶段使用ENA
其中,Q K V表示查询、密钥和值特征,Sim表示查询和密钥特征之间的相似性。
查询特征由编码器/解码器特征与未知区域相乘得到。图像通过OCBlocks来获取key和value特征。我们提出的ENA是一个跨级别的非局部注意,但为了简单起见,我们只展示了查询特性XQ上的远程和短程注意操作。如图所示,首先将编码器/解码器特征和未知区域相乘,得到特征图,进行重排列(将2*2格子对应位置重排列到一起,如图所示,在重排列后,同颜色部分使用非局部注意力)此为远程注意操作,将结果再次进行重排列到原来样子,使用非局部注意力,此为短程注意操作。
Highly Efficient Natural Image Matting相关推荐
- 机器学习论文:《LightGBM: A Highly Efficient Gradient Boosting Decision Tree》
翻译自<LightGBM: A Highly Efficient Gradient Boosting Decision Tree> 摘要 Gradient Boosting Decisio ...
- [论文阅读] Deep Automatic Natural Image Matting
论文地址:https://arxiv.org/abs/2107.07235 发表于:ICJAI'21 Abstract 自动图像抠图(AIM)是指从任意自然图像中估计软前景,而不需要像trimap那样 ...
- Design and Implementation of a Highly Efficient DGEMM for 64-bit ARMv8 Multi-Core Processors
Design and Implementation of a Highly Efficient DGEMM for 64-bit ARMv8 Multi-Core Processors 针对64位 A ...
- Lightgbm源论文解析:LightGBM: A Highly Efficient Gradient Boosting Decision Tree
写这篇博客的原因是,网上很多关于Lightgbm的讲解都是从Lightgbm的官方文档来的,官方文档只会告诉你怎么用,很多细节都没讲.所以自己翻过来Lightgbm的源论文:LightGBM: A H ...
- 《LightGBM: A Highly Efficient Gradient Boosting Decision Tree》论文笔记
1 简介 本文根据2017年microsoft研究所等人写的论文<LightGBM: A Highly Efficient Gradient Boosting Decision Tree> ...
- 【3D 目标检测】Not All Points Are Equal Learning Highly Efficient Point-based Detectors for 3D LiDAR Point
Not All Points Are Equal Learning Highly Efficient Point-based Detectors for 3D LiDAR Point Cloud 一 ...
- 『 论文阅读』LightGBM原理-LightGBM: A Highly Efficient Gradient Boosting Decision Tree
17年8月LightGBM就开源了,那时候就开始尝试上手,不过更多还是在调参层面,在作者12月论文发表之后看了却一直没有总结,这几天想着一定要翻译下,自己也梳理下GBDT相关的算法. Abstract ...
- LightGBM: A Highly Efficient Gradient Boosting Decision Tree
论文杂记 图像检索--联合加权聚合深度卷积特征的图像检索方法 主目录 下一篇 文章结构 lightgbm原理 [前言] LightGBM: A Highly Efficient Gradient Bo ...
- 密码学-侧信道论文梳理-A Highly Efficient Correlation Power Analysis on PRINT cipher
声明:作者梳理论文仅为学习,如有侵权请联系作者删除博文,谢谢! PRINTcipher的一种高效相关性功耗分析 背景 侧信道 PRINTcipher PRINTcipher 基本介绍 设计 攻击方法 ...
最新文章
- java.lang.UnsupportedClassVersionError: Bad version number in .class file
- GPU---并行计算利器
- Java矩形区域食物链_AcWing 240. 食物链(JAVA)
- wxWidgets:wxToggleButton类用法
- 大众点评网2016校招试题选录
- 通过Dapr实现一个简单的基于.net的微服务电商系统(四)——一步一步教你如何撸Dapr之订阅发布...
- Spring构造函数注入和参数名称
- 栈/队列 互相模拟实现
- 基于智能卡的嵌入式网络加密安全系统设计
- UE4与WEB服务器交互(json)
- 返回JSON出现Infinite recursion无限循环错误的解决
- 1.1内置数据类型概述
- c++题目大坑:分数化小数
- linux上调用短信接口,短信猫接口程序Gnokii For Linux安装
- pythom打包文件太大_PDF太大,不让上传怎么办?教你1分钟将100M的PDF变成10M
- 对《小王子》英文原版进行词频统计,发现他最爱的是......
- java基于springboot酒店客房预定管理系统ssm
- cocos2dx-9.键盘事件-实现精灵的连续移动
- 怎么在Word文档中更改所有数字和英文字母的字体
- Ubuntu18.04.4安装与配置,让老机焕发青春