CGNet-由CG Block组成用于语义分割的轻量型模型 | TIP2020

最新推荐文章于 2025-03-17 14:37:24 发布
原创 最新推荐文章于 2025-03-17 14:37:24 发布 · 2.5k 阅读 · 6 ·
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。

CGNet: A Light-Weight Context Guided Network for Semantic Segmentation

创新点

  • 提出了一个轻量型模型 CGNet，主要由 CG 模块组成。
  • CG 模块中 floc 提取器用于提取局部特征，fsur 提取器用于提取周围上下文特征，fjoi 提取器用于提取联合特征，fglo 提取器用于提取全局上下文特征。

问题

  • 为语义分割任务提出一个轻量型模型，具有较少参数的同时保证准确度。

方法

CG Block

在这里插入图片描述

CG Block如图所示，floc 和 fsur 采用 通道卷积（Channel-wise Convolutions） 减少参数量。

  1. 首先将特征图经过 1x1 卷积然后分别输入到 floc 和 fsur 提取器中；
  2. floc 提取器提取局部特征，使用 3x3 的普通卷积，fsur 提取器提取周围上下文特征，使用3x3的扩张卷积；
  3. fjoi 提取器提取联合特征，将 floc 和 f
最低0.47元/天 解锁文章

200万优质内容无限畅学
YOLOv8改进 | Conv篇 | 轻量级下采样方法ContextGuided（大幅度涨点）
走向CTO的路上...
07-09 1211
在YOLOv8中引入ContextGuided轻量级下采样方法可以显著提高模型的性能，尤其是在目标检测的精度方面。ContextGuided是一种基于注意力的下采样方法，它能够在降低模型计算量的同时，保留更多上下文信息，提升模型对目标特征的提取能力。ContextGuided轻量级下采样方法是一种有效的改进方案，可以显著提升模型的精度，使其成为目标检测、图像分类、语义分割等任务的优选方案。
轻量级实时分割网络RegSeg的完全解析
qq_50489856的博客
04-18 6417
@article{gao2021rethink, title={Rethink Dilated Convolution for Real-time Semantic Segmentation}, author={Gao, Roland}, journal={arXiv preprint arXiv:2111.09957}, year={2021} } 源码 paper 废话不多说，开局一张图看性能
CIFReNet-用于语义分割的轻量型模型 | TIP2020
qq_43311107的博客
09-30 1100
CIFReNet-用于语义分割的轻量型模型
CGNet: A Light-weight Context Guided Network for Semantic Segmentation
写个翻译的博客
05-20 2656
CGNet: A Light-weight Context Guided Network for Semantic Segmentation 0.摘要 移动设备中语义分割模型应用增加，然大部分网络的参数量过大，而内存占用较小的网络基本上是根据分类网络设计的。这一设计呐忽视了分割网络的特点 our，提出了CGNet，轻量化、高效的语义分割网络，1 CG模块，将局部特征和周围特征进行联合 2 用全局特征改善联合特征 3 基于CG模块构建CGNet 1.引言 图1 对于Fig1的描述： 本图是在cityscap
【论文阅读笔记】轻量化Lightweight/实时性Real-Time 语义分割模型解析
最新发布
qq_46056318的博客
03-17 1201
传统的瓶颈模块是降维再升维为了降低参数量如图a，Bottleneck 通过 1×1 降维 + 3×3 处理 + 1×1 升维；ERFNet的是用分解的卷积（3×1，1×3）代替，如图b。是 ESPNetv2 的核心单元，进一步优化了 EESP-A，使用 Group Pointwise Convolutions（GConv-1） 来提升计算效率。采用了 深度可分离膨胀卷积（DDConv） 和 1×1 逐点卷积（Conv-1） 进行计算优化。DAB模块（虚线框中的卷积是按深度方向计算的卷积）。
轻量化实时语义分割LiteSeg——从算法原理到模型训练与部署
热门推荐
知来者逆的博客
05-04 1万+
1.语义分割可用于代替传统算法的边缘检测，图像分割，多应用于自动驾驶、文档处理，工业缺陷检测等领域。 2.LiteSeg是一种实时的轻量级的语义分割网络，为了在 移动端上能有更快的速度和更好的效果，在论文的基础上做了算法优化。 2.博客详细的记录了LiteSeg这个网络从论文复现到优化模型、训练模型、模型部署推理的步骤与代码实现。
CGNet 一种上下文指导的轻量级分割网路
weixin_42565571的博客
03-01 1340
论文提出问题：以前的分割网络对于移动端设备，精度高的分割网络参数太多，而小网络的设计还遵循着分类网络（的设计），忽略了内在的（更深层的）语义信息。 文中提出方法：context guide block（CG） ，优势是可以学习位置特征和环绕特征。 CG block的特点： 可以学习一个像素点和它周围环绕的点的关系，这包含了很多周边环境信息。 利用全局上下文信息提高相邻的点的特征。全局上下文是为了...
【计算机视觉 | 语义分割】综述 | 语义分割经典网络及轻量化模型盘点
wzk4869的博客
01-14 7146
【计算机视觉 | 语义分割】综述 | 语义分割经典网络及轻量化模型盘点
【语义分割】CGNet -- A Light-weight Context Guided Network for Semantic Segmentation
筱
08-05 898
Context Guided Block Intuitively, GRL has a stronger capability than LRL to promote the flow of information in the network. Context Guided Network CGNet follows the major principle of “deep and thi...
Python-CGNet一种用于语义分割的轻量级上下文引导网络
08-11
CGNet: 一种用于语义分割的轻量级上下文引导网络
论文解读：《CGNet:一种用于肺炎检测的图知识嵌入式卷积神经网络》
weixin_45156147的博客
04-20 1709
文章地址：https://www.journals.elsevier.com/information-processing-and-management DOI： https://doi.org/10.1016/j.ipm.2020.102411 期刊ISSN：0306-4573（二区） 影响因子（IF）：4.041 发布时间：2020年10月19日 数据集： 摘要 肺炎是一种导致儿童高死亡率的全球性疾病。由于新型冠状病毒COVID-19的爆发，目前已有983,907人死亡。随着感染的进展，感染病毒的人
阿里团队轻量级语义分割框架——AFFormer:Head-Free Lightweight Semantic Segmentation with Linear Transformer
qq_41234663的博客
02-28 3855
语义分割新框架，在空间域上获取对图像有用的高频和低频信息，同时使用异构算子来减少计算开销，实现轻量化框架。
Lightweight and Progressively-Scalable Networks for Semantic Segmentation（轻量级语义分割模型-2022）
qq_43199575的博客
11-14 754
多尺度学习框架被认为是促进语义分割的模型。然而，这个问题并不是微不足道的，特别是对于现实世界的部署，这通常需要高效率的推理延迟。在本文中，我们从轻量级语义分割的角度彻底分析了卷积块的设计（卷积类型和卷积中的通道数），以及跨多个尺度的交互方式。通过如此深入的比较，我们总结出三个原则，并相应地设计了轻量级和渐进式可扩展网络（LPS-Net），它以贪婪的方式扩展了网络的复杂性。从技术上讲，LPS-Net 首先利用这些原理来构建一个微型网络。
BiSeNet - 轻量级实时语义分割
m0_59056870的博客
09-12 7441
在语义分割领域，由于需要对输入图片进行逐像素的分类，运算量很大。通常，为了减少语义分割所产生的计算量，通常而言有两种方式：减小图片大小和降低模型复杂度。减小图片大小可以最直接地减少运算量，但是图像会丢失掉大量的细节从而影响精度。降低模型复杂度则会导致模型的特征提取能力减弱，从而影响分割精度。所以，如何在语义分割任务中应用轻量级模型，兼顾实时性和精度性能具有相当大的挑战性。
STDC语义分割网络:BiSeNet的轻量化加强版（CVPR2021语义分割）
CV计算机视觉
06-23 9426
今天和大家分享CVPR2021中语义分割领域的一篇论文，论文标题及作者如下图所示： 论文下载地址：https://arxiv.org/abs/2104.13188 代码即将开源：https://github.com/MichaelFan01/STDC-Seg 0.动机 深度学习促进了计算机视觉领域中语义分割算法的发展；随着自动驾驶、视频监控等应用场景的迫切需求，面向终端的轻量化语义分割网络被广泛研究。 为了减少算法的耗时，一些诸如DFANet、BiSeNetV1的语义分割算法使用了轻量化backbone，
轻量级语义分割模型论文阅读笔记（二）
Bobholamovic的博客
01-29 530
本文汇总一些阅读过的轻量级语义分割模型相关论文，并记录一些心得感想。
语义分割 | 轻量级实时分割经典BiSeNet及其进化BiSeNet V2
AI算法修炼营的博客
05-15 6798
点击上方“AI算法修炼营”，选择“星标”公众号精选作品，第一时间送达01轻量级语义分割基于轻量化网络模型的设计作为一个热门的研究方法，许多研究者都在运算量、参数量和精度之间寻找平衡，希望...
语义分割轻量化神经网络
09-24
引用提到了语义分割的经典网络模型和轻量化模型。其中，引用介绍了全卷积神经网络（FCN）作为一种经典的语义分割模型，它通过将传统的分类网络的全连接层转化为卷积层，并采用反卷积和跳跃连接的方式来恢复图像的细节信息和融合特征。而引用提到了CGnet，它是一种轻量化的语义分割网络，通过在所有阶段使用CG模块来获取上下文信息。 除了FCN和CGnet之外，还存在其他一些轻量化的语义分割神经网络，例如： 1. ENet：ENet是一种轻量化的语义分割网络，它通过设计轻量级的模块和减少参数量来实现高效的语义分割。 2. ICNet：ICNet是一种多尺度级联网络，它通过将图像分为不同的尺度进行处理，从而实现高效的语义分割。 3. DFANet：DFANet是一种基于注意力机制的轻量化语义分割网络，它通过引入分组卷积和注意力模块来提高模型的效率和准确性。
评论
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