ExtremeC3Net: 使用高级C3模块的极轻量人像分割模型

最新推荐文章于 2025-05-31 10:57:49 发布
原创 最新推荐文章于 2025-05-31 10:57:49 发布 · 1.5k 阅读 · 4 ·
CC 4.0 BY-SA版权
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。
文章标签：

#计算机视觉 #语义分割

论文提出 ExtremeC3Net 模型，基于改进的 C3 模块，用于解决人像分割任务中对实时性和精度的需求。该模型采用双分支结构，CoarseNet 提取语义信息，FineNet 获取精细细节。通过使用不同的扩张率和 Lovasz 损失函数优化边界，实现了快速准确的分割。此外，还介绍了一种简单数据增强方法，利用通用目标分割网络产生人像分割掩模。实验结果显示模型在 EG1800 数据集上表现出色。

  人像分割任务作为许多任务的一个中间阶段，对实时性要求极高，并且当前缺乏大规模的人像分割数据集，为此论文提出ExtremeC3Net模型和用于进行数据扩充的简单方法。ExtremeC3Net基于改进的C3模块，能够实现精度较高速度极快的人像分割，并且这种极轻量化的分割网络也在其他任务中给了我们应用的启发。

论文地址

工程地址

1. 改进的C3模块

  之前的文章提到过

最低0.47元/天 解锁文章
【YOLO】深入理解 CSP 瓶颈模块的变种：Bottleneck、C3、C3k、C2f 和 C3k2
YOLOv8项目贡献者
11-25 1万+
深入理解 CSP 瓶颈模块的变种：Bottleneck、C3、C3k、C2f 和 C3k2
深度学习加速之道：C3 模块与多种注意力机制的完美融合
一直在水些技术小文
11-09 830
C3 模块是一种用于构建深度卷积神经网络的模块，它通常包括卷积、批归一化和激活函数等层。C3 模块具有较低的计算复杂度，适用于嵌入到各种深度学习架构中。return xC3 模块的优势在于它具有较低的计算复杂度，适用于嵌入到各种深度学习架构中，同时提供了一定的性能。
ExtremeC3Net: Extreme Lightweight Portrait Segmentation Networksusing Advanced C3-modules论文翻译
qq_69854365的博客
10-08 989
ExtremeC3Net: Extreme Lightweight Portrait Segmentation Networksusing Advanced C3-modules论文翻译
C3模块-空洞可分离卷积存在的问题及轻量化语义分割模型架构技巧
kevin_zhao_zl的博客
01-15 3777
C3即"Concentrated-Comprehensive Convolution"，文章指出轻量化语义分割模型多采用空洞可分离卷积，但是文章指出这种方式存在的信息损失，。 论文地址 工程地址   构建轻量化语义分割模型的一种方式是使用深度空洞可分离卷积，但是空洞卷积和深度可分离卷积两种方式的简单结合，形成了一个过于简单的操作，造成了特征图的信息损失导致模型表现衰退（深度可分离卷积对标准卷积的不恰当近似；空洞卷积造成的相邻像素信息损失即网格效应），为此提出了C3模块，分为两个阶段，第一个阶段使用两个深.
【神经网络】----神经网络常用术语及概念 （持续更新）
qq_44878985的博客
03-02 4713
学习神经网络要先了解常用术语，就像学习走路之前得学会吃饭。。。
【Prtrait分割】ExtremeC3Net: Extreme Lightweight Portrait Segmentation Networks using C3-modules
筱
08-14 2151
paper ：ExtremeC3Net 文章目录 ExtremeC3Net is a lightweight and robust portrait segmentation algorithm consisting of a two-branched architecture based on the concentratedcomprehensive convolutions block....
分割网络-ExtremeC3Net（轻量级）
sinat_16423171的博客
05-24 1227
《ExtremeC3Net: Extreme Lightweight Portrait Segmentation Networks using Advanced C3-modules》 时间：20190812 作者团队：首尔大学&Clova AI 1. 摘要 人像分割任务作为许多任务的一个中间阶段，对实时性要求极高，并且当前缺乏大规模的人像分割数据集，为此论文提出ExtremeC3Net模型和用于进行数据扩充的简单方法。ExtremeC3Net基于改进的C3模块，能够实现精度较高速度极快的人像
人像分割之ExtremeC3Net
程序员深度学习
03-23 1255
1. 摘要 人像分割任务作为许多任务的一个中间阶段，对实时性要求极高，并且当前缺乏大规模的人像分割数据集，为此论文提出ExtremeC3Net模型和用于进行数据扩充的简单方法。ExtremeC3Net基于改进的C3模块，能够实现精度较高速度极快的人像分割，并且这种极轻量化的分割网络也在其他任务中给了我们应用的启发。 论文：https://arxiv.org/abs/1908.03093 代码：https://github.com/clovaai/ext_portrait_segmentation 2. 改.
极致轻量级人像分割：Extreme Lightweight Portrait Segmentation
gitblog_00082的博客
06-07 1147
极致轻量级人像分割：Extreme Lightweight Portrait Segmentation 在这个数字化的时代，高效、轻便的图像处理技术显得尤为重要。这就是为什么我们要向您推荐这个名为"Extreme Lightweight Portrait Segmentation"的开源项目。它旨在通过深度学习技术实现极致轻量化的人像分割，为移动设备和资源有限的平台提供了可能。...
YOLOv5改进系列(二十七) 在 C3 模块中添加 12 种注意力机制C3_SimAM, C3_CoT, C3_Double, C3_SK, C3_EffSE, C3_GatherE等
专注于人工智能学习，总结
12-18 1792
文章目录第一部分1. SimAM 注意力模块1.1 原理1.2 C3_SimAM 代码2. CoTAttention 注意力模块2.1 原理2.2 C3_CoT 代码3. SKAttention 注意力模块3.1 原理3.2 C3_SK 代码4. DoubleAttention 注意力模块4.1 原理4.2 C3_Double 代码第二部分1. EffectiveSE 注意力模块1.1 原理1.2 C3_EffectiveSE 代码2. GlobalContext 注意力模块2.1 原理2.2 C3_Glo
YOLO系列中的C3模块解析2025.5.31
最新发布
sinat_34897952的博客
05-31 1454
摘要： C3模块是YOLOv5的核心组件，融合了CSPNet和残差结构，通过轻量化设计提升模型效率。其结构分为主分支（含Bottleneck堆叠）和旁路分支，最终拼接融合多尺度特征。核心优势包括：1）计算成本低（CSP拆分减少参数量）；2）特征融合能力强（结合深浅层特征）；3）可选残差连接增强鲁棒性。变体如C3TR（加入Transformer）和C3Ghost（轻量化）适配不同场景。实验表明，C3在精度（mAP@0.5达0.856）与速度（120 FPS）间取得平衡，是高效目标检测的关键设计。
YOLO v5-C3模块实现
m0_60890175的博客
03-10 4594
YOLO v5-C3模块实现
【YOLOv7改进系列】引入YOLOv5的C3模块
2401_84870184的博客
05-14 970
C3模块的第二阶段使用深度可分离的膨胀卷积，扩大了感受野，增强了全局一致性。：C3模块采用两阶段设计，首先使用深度方向的非对称卷积来收集并压缩相邻像素的信息，减轻由于膨胀卷积造成的局部信息丢失问题。总之，C3模块通过创新的结构设计，有效融合了深度可分离卷积和膨胀卷积的优点，实现了轻量化模型设计中的一个关键突破，同时保持了分割和分类任务的高性能表现。：除了语义分割，C3模块还被应用于ImageNet分类任务，展示出替换膨胀卷积并维持或提升性能的能力，进一步验证了其作为深度学习基本构建块的潜力。
强化深度学习：C3 模块的多重注意力机制
一直在水些技术小文
11-09 948
C3 模块是一种用于构建深度卷积神经网络的模块，它通常包括卷积、批归一化和激活函数等层。C3 模块具有较低的计算复杂度，适用于嵌入到各种深度学习架构中。return xC3 模块的优势在于它具有较低的计算复杂度，适用于嵌入到各种深度学习架构中，同时提供了一定的性能。
深度学习 Day 30——YOLOv5-C3模块实现
北天的博客
04-04 1289
365天深度学习训练营 [第二十一周]——本期博客我们将利用YOLOv5算法中的C3模块搭建网络，了解学习一下C3的结构，方便后续我们的YOLOv5算法的学习，并在最后我们尝试增加C3模块来进行训练模型，看看准确率是否增加了。
365天深度学习训练营-第P8周：YOLOv5-C3模块实现
m0_62800398的博客
06-16 247
365天深度学习训练营-第P8周：YOLOv5-C3模块实现
pytorch(八）：YOLOv5-C3模块实现
ali1174的专栏
06-23 2138
●🍨 本文为中的学习记录博客●🍦 参考文章：Pytorch实战 | 第P8天：YOLOv5-C3模块实现(训练营内部成员可读)
第P8周：YOLOv5-C3模块实现
weixin_58635031的博客
07-11 3730
优化深度学习模型，是在模型内部的卷积层、池化层加加减减，做一些微小的改动（但是有经验的算法工程师或许更知道一个模型如果表现不好应该对哪个细节进行修改？从而对症下药），之前在网站上看到识别人的步态的从零开始编写深度学习代码，感觉那个很有意思，针对具体的生活中的问题，从零开始写代码。虽然但是，先把经典深度学习框架学个大概吧。YOLOv5是一个用于物体检测的网络，具有快速、实时检测的能力，输出包括边界框和类别标签。VGG-16是一个用于图像分类的网络，具有较深的结构和良好的分类性能，输出是图像的类别标签。
第P7周：咖啡豆识别
m0_57273156的博客
11-11 743
第P7周：咖啡豆识别
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值