【G-FRNet】Gated Feedback Refinement Network for Dense Image Labeling

One__Coder

于 2019-01-17 09:41:30 发布

阅读量1.7k

点赞数

分类专栏：论文阅读

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/github_37973614/article/details/86467680

版权

本文介绍了Gated Feedback Refinement Network (G-FRNet)在解决密集图像标注问题上的应用。通过整合局部和全局上下文信息，G-FRNet使用门控单元过滤模糊信息，提升精细化识别效果。在CamVid、PASCAL VOC 2012和Horse-Cow Parsing数据集上，G-FRNet表现出色，尤其是在CamVid和Horse-Cow Parsing数据集中取得最佳结果。该网络结构基于VGG16，并利用门控细化单元进行特征融合，实现对前向传递信息的有效处理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在这里插入图片描述
CVPR 2017,他们还有一篇CVPR 2018的文章，Gated Feedback Refinement Network for Coarse

文章目录

- 概述
- 细节
- Results
- Conclusions

概述

要解决的问题
- 模糊信息的前向传递会限制后面的精准识别。
采用的方法
- Integrating local and global contextual information during refinement stage（refinement stage是这篇论文的部分结构）
- gate units来处理前向传递的信息，为了过滤模糊信息。
结果如何
- 数据集CamVid, PASCAL VOC 2012, Horse-Cow Parsing
- 在CamVid和Horse-Cow Parsing取得了最佳，在PASCAL VOC 2012上效果比较好。
Contributions
- 自己的结构吧

细节

结构：主干是VGG16
在这里插入图片描述

上图中的 ${Pm^G}$ 表示在f7 feature map经过 ${3*3}$ 卷积后得到的 ${h*w*C}$ 维度的结果，这是一个粗糙预测结果，其中 ${C}$ 表示的是类

最低0.47元/天解锁文章

评论 3

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。