<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Lxp_CC的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Lxp_CC</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Lxp_CC]]></copyright><item><title><![CDATA[[论文笔记]DDRNet]]></title><link>https://blog.youkuaiyun.com/Lxp_CC/article/details/124798428</link><guid>https://blog.youkuaiyun.com/Lxp_CC/article/details/124798428</guid><author>Lxp_CC</author><pubDate>Mon, 16 May 2022 14:04:22 +0800</pubDate><description><![CDATA[Abstract


	DDRNet由两个深度分支组成，在这两个分支之间执行多次双边融合
	
	
	上下文提取器Deep Aggregation Pyramid Pooling Module (DAPPM)扩大有效感受域，并基于低分辨率特征映射融合多尺度上下文
	
	
	精度高且轻量
	
Introduction


	Bisenet提出了一种由空间路径和上下文路径组成的新型双边网络，空间路径利用三个相对较宽的3×3卷积层来捕获空间细节，上下文路径是一个小型的预训练backbone，用于提取上下文信息

	]]></description><category></category></item><item><title><![CDATA[[论文笔记]AFNet]]></title><link>https://blog.youkuaiyun.com/Lxp_CC/article/details/124429011</link><guid>https://blog.youkuaiyun.com/Lxp_CC/article/details/124429011</guid><author>Lxp_CC</author><pubDate>Tue, 26 Apr 2022 15:30:42 +0800</pubDate><description><![CDATA[Abstract


	当时的sota方法采用特征聚合来寻找显著物体的位置，但它们无法用精细的边界分割出整个物体。
	
	
	作者设计了一个AFMs模块用于更好地搜索显著物体的结构，和一个BEL边界损失函数用于学习精细边界。
	
Introduction


	SOD通常用作其他视觉任务的第一步处理。
	
	
	用于图像分类的模型通过迁移学习被进一步发展用于其他视觉领域（如FCN），但是这种一般的全卷积结构有个缺点---重复使用步距和池化进行下采样导致细节信息丢失，并且无法通过上采样恢复。
	
	
	为增强]]></description><category></category></item><item><title><![CDATA[[论文笔记]ENet]]></title><link>https://blog.youkuaiyun.com/Lxp_CC/article/details/123940453</link><guid>https://blog.youkuaiyun.com/Lxp_CC/article/details/123940453</guid><author>Lxp_CC</author><pubDate>Sun, 03 Apr 2022 17:07:07 +0800</pubDate><description><![CDATA[Abstract


	ENet专为需要低延迟操作的任务设计，相对于现存的SOTA网络（SegNet），ENet运行速度快18倍，FLops少75倍，参数量少79倍，同时可以产生同等甚至更好的效果
	
Introduction


	尽管CNNs在分类问题上精度越来越高，但当应用到像素级分类时产生的仍是粗糙的空间结果，因此，这些算法常与其他算法级联以改善结果
	
	
	现存的分割网络都是参数量和计算量很大，不适用与移动设备，因此作者设计了一个为推理速度和高精度优化的新网络。在这个网络结构中没有使用后处理..]]></description><category></category></item><item><title><![CDATA[UNet-FusionNet笔记]]></title><link>https://blog.youkuaiyun.com/Lxp_CC/article/details/121149238</link><guid>https://blog.youkuaiyun.com/Lxp_CC/article/details/121149238</guid><author>Lxp_CC</author><pubDate>Fri, 05 Nov 2021 17:25:51 +0800</pubDate><description><![CDATA[UNet第一个创新点在于作者根据边缘像素一直以来都是模糊预测这一现象，猜测可能的原因是边缘像素的上下文信息比较少，周围没有像素，提出了对原图像进行镜像翻转，即在边缘像素周边取一定范围的像素进行向外翻转，以获取更多的上下文信息，提高边缘像素的预测精度。

第二个创新点是根据细胞边缘重合导致分割困难（卷积会考虑该像素点周围的特征，若两个细胞贴在一起容易将两个细胞分割成一个细胞）的情况提出加权损失函数，即给两个同一类贴在一起的细胞边界的背景像素点赋予较大的权重，让网络着重学习分割权重较大的像素点。

第三个创新点]]></description><category></category></item><item><title><![CDATA[FCN笔记]]></title><link>https://blog.youkuaiyun.com/Lxp_CC/article/details/121088313</link><guid>https://blog.youkuaiyun.com/Lxp_CC/article/details/121088313</guid><author>Lxp_CC</author><pubDate>Wed, 03 Nov 2021 11:23:05 +0800</pubDate><description><![CDATA[FCN的主要创新点在于通过微调普通的分类网络（如AlexNet，VGGNet，GoogleNet），将其后面的全连接层全部变成卷积层，以此适应任意尺寸的输入（好像并不是真正意义上的任意尺寸，输入的尺寸要求在五次下采样的过程中尺寸始终保持为偶数，因此在输入图像在输入网络前要经过裁剪），并输出相应尺寸的输出。同时使用了类似resnet的shortcut的跳跃连接将深层的，粗糙的语义信息和浅层的，精细的表征信息融合，以实现更加精细的语义分割。

FCN使用的主体特征提取网络是VGG16，并保存第三次和第四次下采样]]></description><category></category></item></channel></rss>