笔记[M-SFANet]Encoder-Decoder Based Convolutional Neural Networks with Multi-Scale-Aware Modules...

最新推荐文章于 2023-10-14 21:31:57 发布
最新推荐文章于 2023-10-14 21:31:57 发布
阅读量1.2k 收藏 6
点赞数
分类专栏： 目标检测文章（小目标检测：人群计数，人群定位） 文章标签： 深度学习 pytorch
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/sinat_41939352/article/details/114678124
版权

@[TOC]( [M-SFANet] Encoder-Decoder Based Convolutional Neural Networks with Multi-Scale-Aware Modules for Crowd Counting (ICPR2020)笔记)
阅读笔记，如有错误谢谢指正~

motivation:

人群计数中存在人群遮挡，透视失真，规模变化和不同的人群分布等问题

Inspired by

SFANet and SegNet

methods:

提出用于人群计数的M-SFANet 和M-SegNet

M-SFANet：

在这里插入图片描述
encoder-decoder框架

encoder部分为VGG前13层

decoder两个主要模块为CAN和ASSP
CAN

接受VGG第十层的特征图，average pooling 也设为 1，2，3，6来提取上下文特征
CAN原型

ASSP

接受VGG第十三层的特征图. 多尺度特征来源也是 1×1卷积和3×3卷积 空洞率为6,12,18ASSP原型
ASSP和CAN出来的第一个分支都分别concat到对方D3Block中，目的是更好的高级多尺度特征。
类似U-Net的级联是为了获取低级特征。

M-SegNet

在这里插入图片描述
没有CAN和ASSP模块，其他组件相同，bilinear upsampling 改为Max unpooling

目的：更快速高效。

损失函数为L2

性能SOTA

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

图神经网络（十四）Hierarchical Graph Convolutional Networks for Semi-supervised Node Classification
码匀的博客
03-18 1836
本文作者来自中科院，文章被收录于IJCAI 2019。当前基于邻域聚集的GCN模型大多数是浅层的，并且缺乏“图池化”机制，这使得模型无法获得足够的全局信息。为了增加感受域，本文提出了一种深层层次图卷积网络（H-GCN），H-GCN首先将结构相似的节点重复聚集到超节点，然后将粗化后的图细化为原始图，以恢复每个节点的表示。该粗化过程不是简单地聚合一跳或两跳的邻域信息，而是扩大了每个节点的接受范围，从而可以捕获更多的全局信息。H-GCN模型在不同的公共基准图数据集上获得了较高的性能提升。源码在此 Introduc
论文精度 —— 2017 CVPR《High-Resolution Image Inpainting using Multi-Scale Neural Patch Synthesis》
m0_51339444的博客
08-10 975
论文精度 —— 2017 CVPR《High-Resolution Image Inpainting using Multi-Scale Neural Patch Synthesis》
论文阅读28 | SFANet: A Spectrum-aware Feature Augmentation Network for Visible-Infrared Person ReID
滨哥v5的博客
07-22 1936
灰度图、双FC、三个双向三元组约束
论文阅读--基于编码器-解码器的卷积神经网络与多尺度感知模块用于人群计数
m0_73832962的博客
10-14 1417
Title: Encoder-Decoder Based Convolutional Neural Networks with Multi-Scale-Aware Modules for Crowd CountingAbstract: In this paper, we propose two modified neural networks based on dual path multi-scale fusion networks (SFANet) and SegNet for accurate and
论文阅读：A Multi-layer Convolutional Encoder-Decoder Neural Network for Grammar Error Correction...
weixin_30394633的博客
04-01 419
转载于:https://www.cnblogs.com/danny92/p/10637156.html
论文笔记High-Resolution Encoder-Decoder Networks for Low-Contrast Medical Image Segmentation
Stark_Z的博客
09-06 1402
用于低对比度医学图像分割的高分辨率编码器-解码器网络
android markdown 笔记,M笔记下载-M笔记(Markdown编辑器)下载v9.1 安卓版-西西软件下载...
weixin_36472741的博客
05-26 1495
M笔记是一款Markdown编辑器，他可以将网页转换为Markdown的形式，也能够让你在手机上面上面笔记上的预览，采用MD的设计让其看起来更加的具有质感，随着Markdown的普及越来越多的社区以及各种内容都将支持Markdown编辑，而这款软件能够让你直接编辑并且进行分享，感兴趣的话就快来下载这款M笔记！M笔记软件介绍M 笔记是一款功能强大的MarkDown编辑器，通过指定的算法，将文本内容转...
Deep learning_CNN_Review：A Survey of the Recent Architectures of Deep Convolutional Neural Networks—...
Alliswell_WP
11-08 2583
CNN综述文章的翻译 [2019 CVPR] A Survey of the Recent Architectures of Deep Convolutional Neural Networks 翻译 综述深度卷积神经网络架构：从基本组件到结构创新 目录 摘要 1、引言 2、CNN基本组件 2.1 卷积层 2.2 池化层 2...
A Comprehensive Survey on Graph Neural Networks--图神经网络综合研究
m0_44967199的博客
01-13 4211
现阶段研究现状 近年来，从图像分类到视频处理再到语音识别和自然语言处理，深度学习已经变革了多项机器学习的任务。这些任务中的数据通常表示在欧几里得空间中。然而，越来越多的应用使用非欧几里得域生成的数据，并将它们表示为具有复杂关系和相互依赖的关系图。虽然图数据的复杂性对现有的机器学习的算法提出了重大的挑战，但最近许多研究开始将深度学习方法扩展到图数据。 本文综述了数据挖掘和机器学习领域中的图神经网络（...
Deep Learning-Based Video Coding: A Review and A Case Study
weixin_30325487的博客
06-13 2185
郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！ 1、Abstract: 　　本文主要介绍的是2015年以来关于深度图像/视频编码的代表性工作，主要可以分为两类：深度编码方案以及基于传统编码方案的深度工具。对于深度编码方案，像素概率建模和自动编码器是两种方法，分别可以看作是预测编码方案和变换编码方案。对于深度工具，有几种使用深度学习来执行帧内预测、帧间预测、跨通道预测、概率分...
人群计数检测baselineCRSnet
03-23
人群计数检测2018最新baseline，基于深度网络的人群计数，已经训练好了参数，无需训练可以直接用，输入是图片，稍加修改可以直接对视频进行处理.
ES6学习笔记（上）
M_Edison的博客
03-03 1070
文章目录0.前言:articulated_lorry:0.1 Babel解码器0.2 webpack自动化编译es61. let和const命令1.1 let1.2 const1.3 顶层对象1.4 es6声明变量的六种方式2.解构赋值2.1 数组的解构赋值2.2 对象的解构赋值2.3 函数参数的解构赋值2.4 字符串的解构赋值3.字符串的扩展3.1 Unicode编码3.2 字符串新增的方法3.3 字符串的遍历3.4 模板语法4.数组扩展4.1 扩展运算符5.函数扩展5.1 函数参数设置默认值5.2
人群计数：SFANet--Dual Path Multi-Scale Fusion Networks with Attention for Crowd Counting
目睹闰土刺猹的瓜的博客
07-31 2591
There are two questions in crowd counting: large head scale variations caused by camera perspective and diverse crowd distributions with high background noisy scenes. Faced with such problems, we prop...
paper survey（2019.06.11）——卷积网络高阶特征表示
gwpscut的博客
06-11 1万+
类似于博文《paper survey（2019.06.05）——卷积网络feature map的传递与利用》 本博文也是系列论文的阅读笔记（基本都是CVPR和ICCV的论文）。 对于跟本博文相关的论文会展开描述，对于不相关的仅仅列出题目。 目录 《G2DeNet: Global Gaussian Distribution Embedding Network and Its Appl...
如何检测图像中的条纹_自监督式特征增强在大图像目标检测中的应用
weixin_39755873的博客
12-01 477
Manuscript received July 4, 2019; revised February 15, 2020 and April 7, 2020; accepted April 29, 2020. Date of publication May 14, 2020; date of current version July 6, 2020. This work was supported ...
TEDnet
TheWaySoFar
03-18 976
<Crowd Counting and Density Estimation by Trellis Encoder-Decoder Networks> 背景介绍 类似沙漏金字塔backboe大量的下采样上采样的融合不利于生成精准度密度图, 这源于1)下采样本身导致精准度下降, 2)上采样并不能恢复之前丢失的信息, 即使使用了跳跃连接. 3)还有mse损失针对像素间的损失,忽略了空间信...
人群计数：TEDnet--Crowd Counting and Density Estimation by Trellis Encoder-Decoder Networks
目睹闰土刺猹的瓜的博客
07-30 1164
In this paper, we propose a trellis encoder-decoder network for crowd counting, which focuses on generating high-quality density estimation maps. ** Contribution： ** First, we develop a new trellis ar...
DeepLabV3论文解读（空洞卷积/膨胀卷积 理解）
热门推荐
wildridder的博客
11-03 1万+
DeepLabV3论文解读（空洞卷积/膨胀卷积 理解） 最近在做基础网络研究，设计的网络结构除了在分类数据集上测试，还需要在分割和检测网络上测试效果，故选择了DeepLabV3作为对比平台。本想直接替换backbone查看结果，但不如借此机会把DeepLabV3好好研究清楚，顺带把分割领域的经典论文研究一遍，于是有了这篇博客~ FCN、SegNet、U-Net、CRF DeepLabV3结构解读 ...
「Computer Vision」Note on DeepLab V2
小锋子Shawn
04-25 1037
Sina Weibo：小锋子Shawn Tencent E-mail：403568338@qq.com http://blog.csdn.net/dgyuanshaofeng/article/details/80086542 方法 在图1中，DCNN或者backbone采用VGG-16或者ResNet-101。DeepLab V2系统由两部分组成，一个是分割网络，另一个是CRF概率...
The dominant sequence transduction models are based on complex recurrent or convolutional neural networks that include an encoder and a decoder.
最新发布
03-19
### 基于复杂循环神经网络或卷积神经网络的序列转换模型工作原理 #### 编码器-解码器架构概述 大多数具有竞争力的神经序列转换模型采用编码器-解码器结构。在这种结构中，编码器负责将输入符号序列 \( (x_1, ..., x_n) \) 映射到连续向量表示序列 \( z = (z_1, z_2, ..., z_n) \)[^2]。随后，这些连续向量被传递给解码器部分，由其生成目标序列。 #### 循环神经网络（RNN） 循环神经网络及其变体，如长短时记忆网络（LSTM）和门控循环单元（GRU），已被确立为序列建模中的主流方法之一[^1]。具体而言： - **LSTM 和 GRU 的作用** LSTM 和 GRU 是 RNN 的改进版本，通过引入特殊的门机制来解决传统 RNN 中长期依赖问题。它们能够更有效地捕捉长时间跨度内的上下文信息。 - **工作机制** 在序列转换任务中，编码器通常是一个多层 LSTM 或 GRU 网络，它逐时间步处理输入序列并生成隐藏状态序列。解码器同样可以是类似的 RNN 结构，在每一步预测下一个输出词元的同时接收来自前一时刻的状态以及注意力加权后的编码器输出。 #### 卷积神经网络（CNN） 尽管 RNN 及其变体在许多应用中表现出色，但近年来也有研究探索利用 CNN 进行序列建模的可能性。相比于传统的 RNN 方法，基于 CNN 的模型具备以下几个特点： - **局部感受野与层次特征提取** 使用一系列堆叠的一维卷积操作可以从不同尺度上捕获输入数据的空间模式。这种设计允许模型快速访问整个输入序列的信息而无需显式的顺序计算过程[^3]。 - **残差连接与归一化技术** 为了缓解深层网络训练过程中可能出现的梯度消失或者爆炸现象，并促进更快收敛速度，现代 CNN 架构经常加入残差链接（Add 表示）以及层归一化（Norm 表示）。前者有助于保持原始信号路径畅通无阻；后者则通过对各层内部节点值标准化进一步稳定优化动态范围。 - **自注意力机制的应用** 不论是在纯 CNN 设计还是混合型框架下，多头注意模块都扮演着重要角色——使得各个位置上的单词可以直接相互关联而不受距离限制影响。这不仅增强了表达能力还简化了整体流程逻辑。 以下是实现上述功能的一个简单伪代码例子： ```python import torch.nn as nn class SeqTransducer(nn.Module): def __init__(self, vocab_size, embed_dim, hidden_dim, num_layers=2): super(SeqTransducer, self).__init__() # Embedding layer self.embedding = nn.Embedding(vocab_size, embed_dim) # Encoder: Bi-directional LSTM/GRU/CNN layers self.encoder_rnn = nn.LSTM(embed_dim, hidden_dim//2, num_layers=num_layers, bidirectional=True) # Alternatively use Convolution-based encoders here... # Decoder: Uni-directional LSTM/GRU/CNN layers plus attention mechanism self.decoder_rnn = nn.LSTM(hidden_dim*2 + embed_dim, hidden_dim, num_layers=num_layers) def forward(self, src_seq, tgt_seq=None): ... ```
评论 2
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